基于2DPCA的矩阵时间序列统计监控及推断

在多元统计过程控制的研究中,越来越多的学者开始关注到矩阵数据的在线监控问题。矩阵数据通常可被拉直为向量数据再进行监控,但拉直操作破坏了矩阵数据的原有结构信息。而2DPCA方法直接对矩阵数据进行特征提取,可保留矩阵的结构特征。因此,利用2DPCA方法研究矩阵值时间序列的统计监控及推断是有意义的。首先基于2DPCA方法对矩阵数据进行正交投影获取特征,通过融合这些特征构造监控统计量;其次证明了该监控统计量的极限分布为卡方分布,并利用该分布进行统计推断。模拟实验表明:该方法理论正确;当样本容量较大时,该方法相对于同类方法表现更优。

基于PCA+2DPCA的人脸识别方法分析

阐述了基于主成分分析(Principal Component Analysis,PCA)和二维主成分分析(2DPCA)的人脸识别方法,分析了该方法在矩阵理论中的来源和算法,提出了PCA+2DPCA分析方法,并采用2DPCA求出特征向量,PCA进行最优压缩,从而降低了维数.

基于改进的2DPCA对近红外人脸图像的识别方法

基于二维主成分分析(two-dimensional principal component analysis,2DPCA)算法与近红外人脸识别方法,提出一种双向2DPCA算法和双向对称2DPCA算法,得到了识别率更高的人脸识别方法,解决了环境光照对人脸识别的影响.

图像特征抽取的MDNIB2DPCA方法

在多方向二维主成分分析法MD2DPCA和无迭代双边二维主成分分析(NIB2DPCA)的基础上,提出了多方向无迭代双边二维主成分分析(MDNIB2DPCA)的特征抽取新方法。该方法可以对图像矩阵在多个方向上进行特征抽取,与MD2DPCA方法相比也提高了特征抽取速度。在灰度人脸图像库上的对比实验表明,所提的方法可以提高灰度图像识别率两个百分点以上;进一步地,在基于NIB2DPCA的彩色图像识别方法的基础上,提出了将所提的MDNIB2DPCA替换NIB2DPCA的彩色图像处理的新方法。在彩色人脸库上的对比实验表明,所提方法的识别正确率也可提高约一个百分点。

基于模块2DPCA的人脸识别方法

提出了模块2DPCA(two-d im ensional princ ipal component analysis)的人脸识别方法。模块2DPCA方法先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于构造总体散布矩阵,然后利用总体散布矩阵的特征向量进行图像特征抽取。与基于图像向量的鉴别方法(比如PCA)相比,该方法在特征抽取之前不需要将子图像矩阵转化为图像向量,能快速地降低鉴别特征的维数,可以完全避免使用矩阵的奇异值分解,特征抽取方便;此外,模块2DPCA是2DPCA的推广。在ORL和NUST603人脸库上的试验结果表明,模块2DPCA方法在识别性能上优于PCA,比2DPCA更具有鲁棒性。

机载多通道雷达DPCA误差补偿及稳健的杂波抑制

在实际的机载多通道雷达系统中,由于存在系统幅相误差和载机的非平稳运动,DPCA条件很难满足而导致杂波抑制性能下降.本文通过预滤波处理补偿了载机的运动误差,同时保证了运动目标信号的损失尽可能小,进而可以采用传统的自适应DPCA技术补偿系统的幅相误差.然而,当样本中存在强的运动目标时,自适应DPCA的权值估计偏差较大导致杂波抑制性能下降.针对该问题,从最大信噪比准则出发,提出了稳健的两通道自适应DPCA杂波抑制方法.在性能分析中,研究了预滤波对运动目标的影响,给出了预滤波后运动目标的相消曲线.最后通过实测数据和仿真目标实验,验证了本文方法的有效性.

基于DPCA和干涉技术的SAR动目标检测

通过分析相位中心偏置天线(DPCA)技术和干涉处理的优点和缺点,该文提出了一种用三孔径合成孔径雷达(SAR)对地面运动目标进行检测的新方法。该方法不仅能够检测出动目标,还能够精确估计动目标参数,即确定出动目标的真实位置和运动速度,然后对动目标聚焦成像。该文方法简单,运算量小,通过计算机仿真数据验证了该文算法的正确性和有效性。

基于DPCA-FrFT算法的SAR运动目标参数估计

在双通道的工作模式下,结合DPCA技术和分数阶傅立叶变换实现了对SAR运动目标的定位和两个方向(方位向和地面距离向)上速度的估计。首先建立了双通道SAR系统对运动目标的回波信号模型,阐述了动目标DPCA信号为线性调频信号这个特点,并且根据这个特点采用了分数阶傅立叶变换对其进行检测和参数估计。由于DPCA技术具有良好的杂波对消功能以及FrFT对chirp信号的良好检测效果,在不同信噪比情况下,DPCA-FrFT算法都能有效地抑制静止背景、获得良好的测速和定位效果。仿真结果证明了该算法的正确性和有效性。

一种改进的DPCA运动目标检测方法

本文分析了多孔径SAR动目标检测和成像的特点 ,改进了传统的移位相位中心天线 (DPCA)运动目标检测方法 .采用两孔径检测时 ,通过图像的插值和配准 ,在图像域实现动目标检测 ,消除了传统DPCA方法必须满足的限制条件 ;增加孔径数目 ,不仅能够检测动目标 ,还能够估计出动目标参数 ,对动目标聚焦成像 ,并且消除盲速 .文章最后通过计算机仿真数据验证了本文算法的正确性和有效性 .

现代DPCA技术研究

本文从空时二维处理角度出发 ,研究了现代相位中心偏置天线 (DPCA)的几种实现形式及其相应的杂波抑制机理 ,其中包括二单元DPCA、多相位中心DPCA、多相位中心 多延迟处理DPCA、∑ ΔDPCA、频域DPCA等几种典型方式 .着重分析了不满足DPCA条件时 ,各种DPCA的杂波抑制能力 .

2DPCA在图像特征提取中优于PCA的判定条件

主元分析(PCA)与二维主元分析(2DPCA)是两种典型的图像特征提取方法,它们所提取的图像特征的优劣可由重建误差来衡量。通过对PCA和2DPCA的重建误差分析发现,二者的重建误差在理论上相同,但在实际应用中取决于它们的样本协方差阵的估计准确度。本文以均方误差为度量给出了PCA与2DPCA样本协方差阵的估计准确度表达式,并由此得到2DPCA图像特征优于PCA的判定条件是2DPCA协方差阵的特征值平方和大于PCA。本文还指出行2DPCA与列2DPCA所提取的图像特征孰优孰劣也取决于它们各自协方差阵的特征值平方和的大小。在人脸图像库与人脸表情图像库上的实验验证了上述判定条件的正确性。

机载双通道SAR/DPCA误差分析

SAR/DPCA技术是一种简单实用的多通道SAR运动目标检测方法,实际应用中会受到各种误差因素的限制,其中影响算法性能最大的两类误差是载机速度误差和通道失衡。该文详细地分析了这两类误差因素对SAR/DPCA算法性能的影响,建立了误差分析模型,针对实际参数给出了误差分析的结果,并确定了一定误差条件下的系统可检测速度范围、盲速和最小可检测速度。

基于BDPCA聚类算法的航空发动机故障数据标记

航空发动机作为飞行器的动力核心对飞行器的安全飞行有着举足轻重的作用,保证航空发动机的平稳运行对飞行安全有着重大意义。在基于有监督学习的航空发动机故障诊断技术不断取得进展的同时,如何将平时获取的大量未标记数据转换为能够用来训练故障诊断模型的带标记数据,成为了制约行业发展的一大瓶颈。针对这一问题引入了基于无监督学习的DPCA算法,用以实现对未标记数据集的准确分类与标记,并针对DPCA算法在局部密度计算与簇类别数选择方面的缺陷进行了优化:针对原始DPCA算法应用标准高斯核计算局部密度易造成误识别的状况,引入共享邻域算法对局部密度的计算方法进行优化;针对原始DPCA算法需要人工研判确定簇类别数易造成的误识别状况,引入BIC选择准则对簇类别数的选择方法进行优化;提出了原始DPCA算法与共享邻域算法以及BIC选择准则相结合的BDPCA算法。最后应用航空发动机转子故障数据对BDPCA算法进行了性能验证并取得了良好的结果,证实了BDPCA算法在航空发动机气路故障诊断领域有较高的实用价值。

基于两级2DPCA的SAR目标特征提取与识别

对二维图像用主分量分析(PCA)来提取特征具有准确估计协方差矩阵比较困难、计算复杂度大的缺点。二维PCA(2DPCA)克服了PCA的局限性,但2DPCA仅去除了图像中各行像素间的相关性,因此它用于特征提取时得到的特征维数较大。该文采用两级2DPCA的图像特征提取方法,可进一步压缩特征维数,减少识别运算量。用运动和静止目标获取与识别(MSTAR)计划录取的合成孔径雷达(SAR)地面静止目标数据的实验结果表明,结合该文的预处理方法,两级2DPCA在大大降低了特征维数的同时,提高了识别率,且对目标方位角变化具有较强的鲁棒性。

和差波束频域自适应DPCA技术研究

针对时域ΣΔ-ADPCA杂波抑制能力不足的缺陷,研究了频域ΣΔ-ADPCA算法,并给出了一种快速收敛的自适应增益系数计算方法。频域ΣΔ-ADPCA的优点是通过多普勒波束锐化,在各子波束内分别计算最佳增益系数,从而精确地补偿载机运动和系统误差,提高杂波对消性能。仿真实验结果充分验证了频域ΣΔ-ADPCA的正确性和有效性。

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。

基于样本扩充和改进2DPCA的单样本人脸识别

针对大多数人脸识别方法在单个训练样本条件下识别性能下降的问题,提出了结合多种样本扩充方法和改进二维主成分分析(2DPCA)的人脸识别算法。通过分析各种样本扩充方法的优缺点,用多种样本扩充方法来生成虚拟样本,以充分利用单一样本所提供的信息。采用改进的2DPCA方法对生成的虚拟样本进行特征提取,对训练样本进行分块,并用类内平均值规范后的分块来构造总体散布矩阵。在ORL和Yale人脸库上的实验表明,所提出的方法在识别性能方面优于普通的2DPCA方法,优于单一的样本扩充方法。

基于DPCA机载PD雷达低空动目标检测方法

针对机载脉冲多普勒雷达主波束照射内、强杂波背景下的低空运动目标,讨论了一发两收双天线模型配置下,基于二单元DPCA技术对消地杂波、检测运动目标径向速度的方法,并给出了具体的计算公式。最后对具有不同速度的动目标进行了仿真,其模拟结果和理论分析相吻合,表明了无论目标出现在主瓣还是旁瓣,该方法都能有效地抑制地杂波和检测动目标的径向速度。

基于2DPCA和LDA的人脸图像预处理与RBF神经网络的人脸图像识别研究

本文针对人脸识别应用中存在的人脸图像的高维特点,对人脸图像如何快速降维以及提取人脸主要特征,同时实现人脸识别的高效性问题进行研究。首先,分别研究了2DPCA、LDA、RBF神经网络算法。然后,综合设计了应用2DPCA+LDA方法对人脸图像进行降维和特征提取,同时利用RBF神经网络方法对人脸图像进行分类识别。最后,将本方法在ORL人脸数据库上进行实验验证,证明在识别率和时间上得到了很好的效果。

基于AMD度量和类间模块2DPCA的人脸识别算法

文章提出了一种基于集成矩阵距离(AMD)和类间散布矩阵构造的模块2DPCA人脸识别方法。针对原模块2DPCA算法的不足,使用类间散布矩阵代替总体散布矩阵,求得最佳特征向量并对图像进行特征提取;采用集成矩阵距离的度量方式计算特征图像的相似度,实现人脸分类。在ORL人脸库上的实验结果表明,同2DPCA和普通模块2DPCA相比,文中提出的方法能够取得更好的识别效果。