一种有效的增量BDPCA算法

主分量分析是一种有效的特征提取及特征压缩算法,然而过大的运算量及存储量限制了它的应用,而算法的增量形式可有效解决这两个问题。主要研究了一种增量主分量算法-CCIPCA算法,首先对它进行了详细分析,证明了其本质上是幂法的一种在线形式,而其统计有效性对应于数据采用指数窗加权时,参数β=1的情况;然后根据幂法的特点调整了其初始值和权值的选取方法,降低了CCIPCA算法的运算量;并在此基础上给出了一种增量BDPCA算法,基于ORL人脸数据库和ATT人脸数据库的仿真结果验证了方法的有效性。

一种改进的BDPCA掌纹识别方法

在小样本的情况下,BDPCA算法中采用以训练样本的平均值作为样本分布中心,所得的特征值不一定是最优的。为此,提出了一种基于样本散度矩阵的改进BDPCA掌纹识别算法。该算法采用训练样本的K值矩阵替代训练样本的均值矩阵,构建相应的总体散度矩阵。在PolyU和CASIA掌纹库上的实验结果证明,该方法的最优识别率高于传统的BDPCA算法。

基于2DGabor小波与BDPCA的掌纹识别

提出一种解决双向主成分分析(BDPCA)中小样本问题的掌纹识别方法。把掌纹感兴趣区域图像经过2DGabor小波变换后得到的每个图像都作为独立的样本,以增加每一类掌纹的样本数。设计一种基于样本散度矩阵的改进BDPCA算法进行特征提取。采用训练样本的k值矩阵代替训练样本的平均值矩阵,从而获得最优投影矩阵。将2DGabor与改进的BDPCA算法相结合进行掌纹识别。在PolyU掌纹库中的实验结果表明,该方法不仅减少了不同训练样本对识别率的影响,而且能够提高识别率,甚至当每类训练样本数仅为1时,也能得到较高的识别率,有效解决了掌纹识别的小样本问题。

基于BDPCA和KNN的人脸识别算法

针对当前人脸识别算法的准确率和识别时间的矛盾,提出一种基于双方向主成分法(Bidirectional PCA,BDP-CA)和K近邻法(KNN:K-Nearest Neighbor)的人脸识别算法,并将此算法应用于ORL人脸库。在Visual C++6.0平台下,首先利用BDPCA方法对训练人脸样本和测试人脸样本进行方向和列方向降维并提取特征脸;然后用KNN方法对特征脸进行人脸匹配。实验表明,提出的算法在有效降低运算速度的同时,又能取得很高的识别准确率,具有一定的可行性。

一种物联网传感器故障节点检测方法设计

采用目前算法对物联网传感器节点进行故障标定时,没有对节点信息进行聚类处理,导致算法存在虚警率高、计算复杂度高和标记范围小的问题。提出基于BDPCA聚类的物联网传感器节点故障标记算法,采用BDPCA聚类方法对物联网传感器节点信息进行聚类处理,并在聚类过程中对节点信息进行了零均值归一化处理。结合区分函数和区分矩阵在粗糙集理论的基础上对不同类别的节点信息进行知识约简处理,并通过贝叶斯决策理论实现物联网传感器节点的故障标记。实验结果表明,所提算法的虚警率低、计算复杂度低、标记范围广。

基于增量式双向主成分分析的机器人感知学习方法研究

针对直观协方差无关增量式主成分分析算法(CCIPCA)需要满足零均值高斯分布的问题,该文提出含均值差向量更新的泛化CCIPCA算法(GCCIPCA),拓展了算法的适用范围。其次,针对机器人感知学习存在的在线增量计算及有效数据降维等问题,将GCCIPCA的增量思想引入到现有的双向主成分分析算法(BDPCA),提出基于增量式BDPCA(IBDPCA)的机器人感知学习方法。该方法直接针对图像矩阵行列方向的类散度矩阵进行迭代估计,具有一定的泛化能力和快速的增量学习能力,提高了实时处理速度。最后,以机器人待抓取物块作为感知对象进行实验,结果表明所提算法能够满足机器人感知学习的实时处理需求,相比现有的增量式主成分分析算法,在收敛率、分类识别率、计算时间及所需内存等性能方面均得到显著提升。

可见光通信的自动导航系统设计

设计了一套利用可见光通信的自动导航系统。通过分析室内可见光信道模型,设计了可见光定位导航系统的发射模块和接收模块。系统在获取了停车位置信息后,通过光电二极管驱动电路将信息发出,光信号传感器模块接收可见光信号;信号经过解调、滤波后由显示屏显示,同时语音系统播报位置信息,利用贝叶斯相位中心偏置天线(Bayesian Information Criterions Displaced Phase Center Antenna,BDPCA)聚类算法计算出最佳导航路径,从而实现自动导航的目的。测试结果表明,该系统可满足目标的精准定位功能,在搭建的1 m×1 m×1 m验证实验中,系统的最大定位误差为7.90 cm,平均定位误差为4.85 cm,降低了26%,最佳导航路径距离更短,所需时间降低了20%,系统有较高的工作效率。

动态批次主元分析在化工过程中的应用研究(英文)

本文研究了批次动态主元分析(BDPCA)及其在化工过程中的应用。批次动态主元分析是主元分析的一种延伸,通过把三维矩阵转化成二维矩阵,结合时滞变量算法捕捉批次过程中的动态特性完成过程的监视并给出了确定时滞变量的算法.以TE过程为例,与多向主元分析法相比,仿真结果表明,BDPCA算法实现了考虑过程中的批次动态特性并提高了对过程变化的故障检测能力.