基于邻域向量主成分分析图像增强的弱小损伤目标检测方法

提出了基于邻域向量主成分分析(NVPCA)图像增强的弱小损伤目标检测方法.该方法将损伤图像中的每个像素和它的8邻域像素看作一个列向量参加运算,由每个像素生成的所有列向量构建一个9维的数据立方体,通过PCA变换后中间像素和邻域像素之间不相关,消除小目标和邻域像素之间的相关性,这样9维数据立方体的主要信息将集中在第一维,则变换后的第一维数据为NVPCA图像.另外,使用局域对比度法对NVPCA图像再一次进行处理后,获得了较好的图像增强效果.最后,使用区域增长法将损伤目标从背景中分离出来.实验结果表明,该方法能够检测损伤大小为1个像素和处于局部亮区的损伤目标,满足了在线光学元件损伤检测光学系统对于损伤目标精度的要求.

基于改进分类器动态选择算法的滚珠丝杠副状态识别

为提升滚珠丝杠副的性能状态识别精度,提出一种改进的分类器动态选择算法。该算法借助邻域成分分析(NCA),准确并自适应地定义测试样本的邻域,无需选择距离度量方式,从而更加准确地衡量多分类器系统中各子分类器对于测试样本进行正确分类的潜力,解决了传统分类器动态选择算法精度受限于距离度量方式选择是否合适的问题。将所提出的分类器动态选择算法应用于滚珠丝杠副状态识别中,首先利用AdaBoost算法离线训练反向传播(BP)神经网络集合,然后依据实时信号特征,采用改进的分类器动态选择算法从分类器集合中选取最合适的子分类器进行状态鉴定,从而实现更好的识别效果。实验结果表明,提出方法的状态识别准确率能够达到97.22%,高于BP神经网络、AdaBoost与传统分类器动态选择算法,且对于不同的性能状态均有较高的识别精度。

基于主成分分析的点云平面拟合技术研究

针对点云数据易受到噪声的扰动,导致拟合的平面不稳定的特点,将主成分分析法应用到点云平面拟合中。首先选取合适的邻域以拟合点云,剔除一些孤立点;再以主成分分析原理为基础,通过一定的准则去除粗差点,获取稳定准确的最佳平面方程。在实验中,分别利用最小二乘法、特征值法和主成分分析法对点云数据进行拟合,结果显示该方法能够有效剔除噪声点,得到可靠的平面参数估值。

应用双树复小波包和NCA-LSSVM检测磁瓦内部缺陷

提出结合双树复小波包变换(DTCWPT)、邻域成分分析法(NCA)、最小二乘支持向量机(LSSVM)的磁瓦内部缺陷检测方法.通过双树复小波包将采集的声音信号分解为6层,得到64个不同频带的子信号;求取特定频带信号的能量、偏度、峭度、模糊熵,并将能量、偏度、峭度、模糊熵作为分类特征;利用邻域成分分析法对分类特征降维;将降维构造的新特征集输入到最小二乘支持向量机,判断磁瓦是否含有内部缺陷.通过实验验证,对提出的检测方法进行可行性分析.3种不同类型磁瓦的内部缺陷识别率均可以达到99%,与以往双谱切片方法相比,提高了检测识别率.试验结果表明,提出的方法具有检测速度快、可靠性高、适应性强等特点,为高效、准确地进行磁瓦内部缺陷检测提供了有效的技术手段.

基于PCA/NDVI的森林覆盖遥感信息提取方法研究

以大兴安岭为试验区，提出将主成分分析（PCA）得到的第1分量、归一化植被指数（NDVI）和Landsat TM1～TM7某一波段进行合成，增强森林覆盖区和背景区信息的反差，并利用最大似然法对影像进行监督分类，分类精度超过92％。通过对不同云雾量和森林覆盖的2个时相影像试验表明，本方法提高了遥感影像森林覆盖信息提取的自动化程度和精度。

基于PCA与t-SNE特征降维的城市植被SVM识别方法

以高光谱图像降维为研究问题,针对主成分分析法(PCA)投影结果混叠、线性不可分和t-分布式随机邻域嵌入算法(t-SNE)内存占用大、运行时间长等不足,提出了一种基于PCA与t-SNE结合的高光谱图像降维方法。设计了基于SVM的城市植被识别模型,有效地提高了运行速率,进而更好地提取高光谱图像的本质特征,提高了高光谱图像中城市植被的分类精度。实验选取肯尼迪航天中心(KSC)数据为对象,结果表明,PCA-t-SNE-SVM算法总体分类精度可达92.06%,Kappa系数为0.91时,分类效果最优,相较于PCA-SVM和t-SNE-SVM算法,总体分类精度分别提高了13.51%和3.33%,Kappa系数分别提高了0.15和0.04,均表现出良好的性能。

引入曲面变分实现点云法矢一致性调整

针对现有法矢一致性调整算法效率不高、准确度低的问题,引入曲面变分改善该类算法的性能。首先通过主成分分析法估算点云的法矢和曲面变分,然后用曲面变分区分平缓点与非平缓点。调整法矢时,采用缩小待调整法矢的搜索范围到k-邻域内和增加每次搜索时法矢传播个数的策略来提高效率;采用约束法矢传播方向的方法保证准确性。试验结果表明,该算法在平缓区域、尖锐特征区域和高曲率区域均能得到正确的法矢调整结果,且算法效率较已有方法更高。

点云多法向量邻域特征配准算法

针对三维激光扫描点云数据的配准问题,提出了一种多法向量邻域特征点云配准算法。首先,根据目标点选取不同邻域半径估算的法向量存在方向偏差,设定约束条件选择关键点,使得初始点云数据量得到精简;其次,设计了一种依据邻域多法向量计算的特征描述子,并计算所有关键点的特征向量;然后,依据所求的特征描述子,使用最小距离与次小距离比值阈值方法初步获取对应关系,并使用随机采样一致性算法和聚类分选方法进行两次优化,得到精确的点与点对应关系;最后,使用奇异值分解法解算刚体变换矩阵,得到配准参数。实验结果表明,由本文设计的关键点选取、特征描述子提取和对应关系筛选方法原理简单、稳定可靠、计算速度较快且计算复杂度小,无需进行第二次配准,对实现点云配准具有实用价值。

规则特征曲面点云法向估计

目的针对特征曲面点云法矢估计不准确,点云处理时容易丢失曲面的细节特征等问题,提出基于高斯映射的特征曲面散乱点云法向估计法。方法首先,用主成分分析法粗略地估算点云法向和特征点;其次,将特征点的各向同性邻域映射到高斯球,用K均值聚类法对高斯球上的数据分割成多个子集,以最优子集对应的各向异性邻域拟合曲面来精确估算特征点的法向量;最后,通过测试估计法向与标准法向的误差来评价估计法矢的准确性,并且将估计的法向应用到点云曲面重建中来比较特征保留效果。结果本文方法估计的法向最小误差接近0,对噪声有较好的鲁棒性,重建的曲面能保留曲面的尖锐特征,相比于其他法向估计法,所提出的方法估计的法向更准确。结论本文方法能够比较准确的估算尖锐特征曲面法向量,对噪声鲁棒性强,具有较高的适用性。

基于PCA和IFOA-BP煤与瓦斯突出软测量建模

针对煤与瓦斯突出预测指标存在的问题,引入一个新的指标F来表征瓦斯突出强度,并将主成分分析法(PCA)与改进果蝇算法优化的BP神经网络相结合,建立了煤与瓦斯突出软测量模型。通过PCA来对原始数据进行降维处理,消除变量间的相关性,选取贡献率高于80%的主成分来替代原有的9个影响因素作为BP神经网络的输入变量;采取候选解的线性生成机制(LGMS)和变邻域搜索(VNS)来改进果蝇算法,在改进后的果蝇算法(IFOA)的优化过程中,将果蝇群体位置的变化与BP神经网络学习过程中的权值和阈值的更新相对应,然后以提取的主成分作为输入变量,以新的指标F作为输出变量,建立了IFOA-BP预测模型。选取具有代表性的样本进行验证,实验结果表明,与BP和PSO-BP模型相比,IFOA-BP模型收敛速度快,预测精度高,具有较强的泛化能力。