基于鲁棒PCA聚类分析的径流周期特性研究

为了研究多年来河流天然径流的变化周期，引入鲁棒PCA（Principal Component Analysis）方法实现大量非线性流量数据的压缩和特征提取，得到了更具表征性的主成分，在此基础上提出了基于加权主成分距离和密度的径流聚类分析方法和径流周期特性分析的模糊模式识别算法，通过嘉陵江支流白龙江下游的三磊坝水文站1964～2002年周平均流量数据的实验和仿真，得出了该站径流具有7年的显著周期和相应的隶属度，从而证明了本文提出的基于鲁棒PCA聚类分析的径流周期特性研究方法具有较好的适用性。

基于鲁棒PCA的视觉跟踪算法

目前使用颜色属性特征表征目标的几种主流算法中,均使用主成分分析法(PCA)处理颜色属性特征,而PCA方法假设输入数据中存在的噪声必须服从高斯分布,该方法存在明显不足。针对这一问题,本文根据鲁棒主成分分析法(Robust PCA)对颜色属性特征进行处理。将输入图像从原始RGB颜色空间映射至颜色属性空间,得到11种不同的颜色属性层;之后,基于Robust PCA处理颜色属性特征,使得映射后的图片信息都集中在少数层上,在保留原始图片大量信息的前提下滤除噪声。本文将使用Robust PCA处理后的颜色属性特征用于原始CN算法框架中并设置不同的降维层数对比其带来的算法性能差异。在OTB100中,与原始CN框架相比,算法成功率提升1.0%,精度提升0.9%。经实验数据证明,通过Robust PCA处理后的颜色属性特征具有更强的鲁棒性,可以更好地发挥出其优势并提升算法性能。

鲁棒慢特征分析建模及过程监控

慢特征分析(slow feature analysis,SFA)可以通过2步主元分析(principal component analysis,PCA)进行求解。目前,鲁棒SFA主要通过引入鲁棒PCA算法代替标准PCA算法来实现。考虑到标准SFA中动态特征采用静态特征的一阶差分进行描述,容易受到离群点的影响,提出一种改进的鲁棒SFA算法。该算法引入微分平滑算法求解静态特征的一阶差分,降低了离群点对SFA中第二步PCA的影响,提高了鲁棒性。同时,将该改进鲁棒SFA方法引入到过程监控中,并将现有基于SFA监控方法的4个监控指标简化到2个,提高了监控效率。最后,通过与SFA以及现有鲁棒SFA方法在TE过程中的应用对比,说明了该方法的优越性。