基于PCA+KNN和kernal-PCA+KNN算法的废旧纺织物鉴别

该研究采集了15类废旧纺织物的4 998张近红外谱图,以7∶3的比例分为训练集和验证集,并分别采用主成分分析(PCA)与核主成分分析(kernal-PCA)两种不同降维方法对数据进行降维,并选用余弦相似度(cosine)核作为kernal-PCA的最佳核函数,最后分别将PCA和kernal-PCA降维处理后的数据进行k-近邻算法(KNN)训练。结果表明,kernal-PCA+KNN的模型准确率(95.17%)优于PCA+KNN模型的准确率(92.34%)。研究表明,kernal-PCA+KNN算法可以实现15类废旧纺织物识别准确率的提升,为废旧纺织物在线近红外自动分拣提供有力的技术支撑。

一种适用于WAMS量测数据的系统暂态功角稳定评估方法

考虑WAMS量测数据刷新速率快,数据量大的特点,提出了一种适用于WAMS量测数据的暂态功角稳定评估方法。选取初始特征量集并用核主成分分析法对特征集进行降维,过滤冗余特征并降低分类器输入向量的维度。构建训练样本集,计算各样本的初始特征量集并进行降维。通过训练ECVM分类器对暂态功角稳定进行评估,并用测试数据集验证分类器的准确率。在新英格兰10机39节点系统中的仿真表明,所提算法有较高的分类准确率,与传统分类算法相比降低了单个样本评估所需的时间,具有工程使用价值。

基于核主元分析与支持向量机的监控诊断方法及其应用

为了及时反映密闭鼓风炉冶炼过程状态,实现对密闭鼓风炉炉况的监控与诊断,提出核主元分析和多支持向量机分类的相结合的过程监控与故障诊断方法。其原理是:首先,用核主元分析方法提取过程数据特征,建立核主元分析的监控模型;然后,将代表过程特征的核主元送入多支持向量机分类器中,利用"一对其余"算法对故障进行诊断与分类。实验结果表明,所提出的方法与传统的主元分析方法相比,整个样本集的可分性变大,分类正确率提高,能更准确地诊断炉子的各种故障,可有效地用于密闭鼓风炉冶炼过程的故障诊断。

基于KSVD和PCA的SAR图像目标特征提取

提出一种基于核的奇异值分解(KSVD)与主成分分析(PCA)相结合的SAR图像目标的组合特征提取方法。该方法首先利用核的奇异值分解得到图像非线性的代数特征,然后进一步经过PCA变换得到图像的最终分类特征。实验中,将本文提出的KSVD+PCA两步特征提取方法与PCA、SVD、KPCA、KSVD方法分别结合简单、快速的最近邻分类器在MSTAR坦克数据上进行了比较,实验结果表明,KSVD+PCA方法不仅有效地提高了目标的正确识别率,而且大大降低了对目标方位的敏感度,在目标方位信息未知的情况下,识别率可达到95.75%,是一种有效的SAR图像目标特征提取方法。

一种基于改进核主成分分析的SAR图像识别方法研究

针对传统核主成分分析方法识别SAR图像时，存在图像像素之间关联性差、对目标姿态角依赖性强等局限性，研究了一种基于改进核主成分分析的SAR图像识别方法。其研究思想是，结合SAR图像的特点提出了一种基于局部特征核主成分分析的特征提取方法，并设计了一种基于灰关联分析的双分类器对提取特征进行分类。NSTAR仿真实验表明：该方法不仅可以增强图像像素之间的相关性，而且对目标姿态角不存在依赖性，仿真结果验证了方法的有效性和可行性。

基于NSVM的核空间训练数据减少方法

针对核空间中大数据集的计算代价高问题,提出用NSVM方法减少分类器的训练数据。先用NSVM、核主成分分析(KPCA)和贪婪KPCA分别从全部训练数据中提取训练分类器的子集;再用子集训练分类器,并用训练和测试数据的错分率对分类结果进行评价。在两个数据集和两种分类器中,用KPCA提取的子集训练的分类器的分类性能弱于NSVM和贪婪KPCA,但用贪婪KPCA提取的子集训练的分类器的泛化能力弱于NSVM。仿真结果表明,用NSVM方法提取的子集训练的分类器,不仅保证了分类器的泛化能力,也降低了分类算法的计算复杂度。

基于改进栈式降噪自编码器的控制系统故障诊断

为了提高控制系统故障检测和分类能力,提出核主成分分析(KPCA)与栈式降噪自编码(SDAE)神经网络相结合的控制系统故障诊断方法。利用KPCA对故障数据进行非线性数据处理,再把数据输入到SDAE神经网络中进行无监督训练,获取最优网络参数,以Softmax分类层作为输出层实现故障分类。该模型有效解决了控制系统中慢漂移故障特征不明显导致模型故障诊断准确率低的问题,提高了故障诊断精度。通过TE系统实验,验证了该算法的有效性和卓越性。

基于双层异质集成学习器的入侵检测方法

入侵检测是网络安全领域中具有挑战性和重要性的任务。现有研究以增加时间消耗和误报率为代价,重点关注如何提高检测率,在实际应用中代价较大。为此,本文提出了一种使用双层异质学习器集成学习策略的入侵检测IDHEL模型。该模型使用概率核主成分分析方法降低数据维度,采用多个异质分类器通过分层十折交叉验证策略进行异常检测,并根据所提出的分类器评估算法筛选出在相关数据上表现最佳的三种分类器,基于概率加权投票的多分类器集成算法进行入侵检测。实验结果表明IDHEL模型在准确率、错误率和时间消耗方面均优于现有主流入侵检测模型。

集成KPCA与t‑SNE的滚动轴承故障特征提取方法

针对滚动轴承原始数据集包含高维非敏感特征的问题,提出一种集成核主成分分析(Kernel Principal Component Analysis,KPCA)与t‑分布随机邻域嵌入(t‑distributed Stochastic Neighbor Embedding,t‑SNE)的滚动轴承故障低维敏感特征提取方法。该方法先计算滚动轴承原始振动信号的时域、频域以及时频域特征,构建初始高维特征数据集。利用KPCA降低高维数据集的相关性,在最大化高维数据全局特征方差的目标下,提取出非线性特征子集。通过t‑SNE充分挖掘故障特征数据集的局部结构信息,进一步获取具有高判别性的低维敏感特征子集。将低维特征子集输入到k‑近邻分类器(k‑nearest Neighbor Classifier,KNNC)进行分类,以分类准确率和聚类结果作为度量指标,对特征提取结果的优劣予以评价。上述过程综合考虑了数据集的全局和局部结构特征,充分利用了数据自身的结构信息,从而可准确提取其低维敏感特征。将该方法用于滚动轴承故障诊断实验中,通过与其他典型特征提取方法进行对比,及其对含噪情况下轴承故障特征的准确提取,验证了方法的有效性。

基于分数本征特征的手写数字识别

特征提取是手写体数字识别研究中的重要问题,有效、稳定的特征是提高识别率和识别精度的关键。该文提出了一种基于分数本征特征和核非线性分类器的手写数字识别方法,首先找到时频平面的一个轴进行分数傅里叶变换,使不同类别样本在这个轴上最大限度地分开,然后用主元分析进行降维,得到比较稳健的低维特征,再将常用分类器用于特征分类,实现对手写数字的识别。对实际数据进行实验,结果表明上述本征特征与核非线性分类器相结合有较高的识别率和训练、分类效率。

基于多特征融合的J波分类模型

J波是心电图上出现的一种异常变异。应用计算机实现J波自动分类对J波疾病的临床诊断有着重要意义。基于时频域和相空间两个分析角度,一方面使用调Q小波变换(Tunable Q Wavelet Transform,TQWT)和高阶累积量挖掘信号时频域的细节特性;另一方面应用递归图(Recurrence plot,RP)评估心脏系统递归点的发生状态。两类特征降维后并行融合于改进的AdaBoost分类器实现正常、良性J波和恶性J波分类。结果显示,设计的J波多分类算法平均准确度约达到79%,可以用于J波良、恶性辅助诊断。

CLAHE低频DCT系数重变换在人脸识别中的应用

针对光照变化显著影响自动人脸识别系统性能的问题,为了规范化光照变化以提高人脸识别率,提出基于对比度限制自适应直方图均衡化CLAHE(Contrast Limiting Adaptive Histogram Equalization)的低频离散余弦变换DCT(Discrete Cosine Transform)系数重变换算法。首先将图像划分成多个互不重叠的局部小块,使用CLAHE对局部小块进行局部对比拉伸以实现去噪;然后,通过缩减适当数目的低频DCT系数来消除人脸图像中的光照变化;最后,利用核主成分分析进行特征提取,稀疏系数重建和k-近邻分类器完成最终的人脸识别。在扩展Yale B及AR人脸数据库上的实验验证了算法的有效性。实验结果表明,算法在识别非常困难的Yale B子集5上的识别率可高达98.20%,相比其他几种规范化技术,该算法取得了更高的识别率,同时大大降低了识别所耗时间。

通用学习框架改进核PCA的单样本人脸识别

针对传统的人脸识别算法在每个人只有单个训练样本时识别性能严重下降的问题,提出了通用学习框架改进核主成分分析的单样本人脸识别算法。首先,选取一个合适的通用训练样本集,将各个单训练样本与通用训练样本集中某人的多训练样本按比例叠加;然后,利用经典的KPCA算法进行特征提取,将所有叠加后的训练样本和测试样本投影到特征子空间;最后,使用最近邻分类器完成最终的人脸识别。在Yale及FERET两大通用人脸数据库上的实验结果表明,相比其他几种较为先进的人脸识别算法,该算法取得了更好的单样本识别效果。

图像分区域多特征融合斜向车辆检测算法研究

目前基于机器视觉的车辆检测和跟踪技术成为道路环境感知的重要手段,用于预防交通事故的发生。针对前向车辆的检测技术日益成熟,并有商业化的产品出现,而斜向车辆的检测技术尚不成熟。该项目主要研究斜向车辆的检测与跟踪问题。针对车道线检测算法,提出基于Hough变换与K-means聚类融合的改进车道线检测算法,并结合ROI区域提取,缩小检测范围。针对车辆检测,提出对车辆检测算法的两级优化:首先利用车辆阴影特征和图像垂直边缘特征融合,生成疑似目标区域,提出两次自适应阈值分割与OTSU算法融合的改进双阈值分割算法用于改善阴影特征提取的效果;其次,通过HOG特征与Haar-like特征结合,与Adaboost算法联合训练Adaboost级联分类器,生成目标验证区域,并提出基于高斯核函数的核主成分分析法,对图像特征降维处理,改善实时性。基于上述算法优化,对斜向车辆的检测试验结果表明:采用阴影特征与边缘特征融合的优化算法对斜向车辆的识别准确率达90%;在良好天气条件下,HOG+Haar-like融合特征的Adaboost级联分类器检测的准确率达95%;采用核主成分分析降维后检测时间缩短了26%;二者融合的综合效果改善明显。

基于时变特征和核非线性分类器的飞机目标识别

基于雷达目标距离像,研究时变特征提取和核分类器在雷达目标识别中的应用。由于距离像敏感于目标姿态角的变化,单纯的时域或频域方法难以完整刻画目标的散射特性,因此文中采用时频分析方法,首先提取出距离像时频分布的特征参量,再利用主元分析法降低维数,最后采用基于核的非线性分类器进行目标识别。仿真数据和实测数据表明,该方法具有较好的识别效果。

基于磁共振影像组学特征分类胶质瘤和单发性脑转移瘤

目的应用临床常规3T磁共振T1、T2和液体衰减反转恢复(FLAIR)成像分析胶质瘤和单发性脑转移瘤的影像组学特征差异,探讨肿瘤区域不同方向以不同角度构建的纹理特征对区别两种肿瘤的意义,寻找一种可行的胶质瘤和单发性脑转移瘤高精度分类方法。方法 43例胶质瘤患者和年龄、性别匹配的45例单发性脑转移瘤患者,从肿瘤区域轴状面、冠状面和矢状面方向的每1层构建不同角度的影像组学灰度共生矩阵,计算相应的纹理空间关系特征(包括对比度、相关性、能量和同质性);使用Wilcoxon秩和检验选择特征并降低冗余;所选特征经SVM线性核分类器分类,实现两种肿瘤的诊断。结果在分类胶质瘤和单发性脑转移瘤时,多模态多方向组合特征的精确性、召回率、F1分值和准确性分别是0.8857、0.9114、0.8944和0.8922;该组合特征在SVM线性核分类器下的受试者工作特征曲线下面积为0.9602;并将45例单发性脑转移瘤患者中的40例正确分类;43例胶质瘤患者中的39例正确分类。结论肿瘤区域的多模态多方向组合特征经SVM线性核分类器分类,可以鉴别胶质瘤和单发性脑转移瘤,这可作为第2意见,有效协助医生做出诊断。

基于改进的K最近邻分类器的风机故障诊断

为提高风机故障的预警诊断准确度,提出了一种基于改进的K最近邻分类器的故障诊断方法。通过引入核函数主元分析,计算各特征向量的贡献度,对欧式距离进行加权,弥补传统K最近邻分类器同贡献权重分配的缺陷。样本训练时,依据各特征向量的贡献数值分配权重。该方法被用于风机故障诊断。实验结果表明该方法增强了诊断准确度,便于工程应用。

基于复合分类器的网络入侵检测模型

为提高国家电网网络入侵检测中攻击分类问题的准确度,提出一种基于复合分类器的入侵检测模型。复合分类器由核主成分分析、量子遗传算法和前馈(back propagation,BP)神经网络组合而成。复合分类器先使用核主成分分析将高维数的原始数据降维,降维后的数据再通过BP神经网络训练生成分类模型,其中BP神经网络的参数通过量子遗传算法优化得到,最后使用分类模型对待测样本做精确入侵检测分类。与传统入侵检测算法相比,基于复合分类器的入侵检测模型更准确。