一种基于SIFT的仿射不变特征提取新方法

图像局部特征提取是图像理解及机器视觉领域一个非常关键的问题,其中SIFT特征因具有良好的显著性和鲁棒性而得到广泛应用。但是,SIFT采用DOG检测子,定位的特征区域为各向同尺度变化的圆形区域,故其只具有尺度不变性,并不具备仿射不变性。此外,SIFT采用128维特征向量表示,当在图像特征点较多情况下进行匹配实验时,存在存储空间大、匹配耗时多等缺点。针对这两个问题,本文提出一种新的仿射不变特征提取方法,即HA-DR-SIFT(Hessian Affine-DimensionalityReduction-SIFT)。首先,用Hessian-Affine检测子代替DOG检测子,使提取的椭圆图像区域满足仿射不变性需求;其次,用PCA或NLPCA方法对128维特征向量进行降维处理,提高后续运算效率。实验表明,新方法不仅具有良好的仿射不变性,而且在匹配时间和存储空间上优于SIFT算子。

中国夏季降水异常分布的非线性特征

运用基于前馈型人工神经网络的非线性主成分分析方法(NLPCA),对中国近50 a夏季降水异常分布的非线性特征进行了分析。结果表明,中国夏季降水的异常分布具有一定的非线性特征,当夏季降水距平的一维NLPCA近似在非线性主成分取极端相反位相时,对应的空间分布型表现出明显的不对称性;一维NLPCA对夏季原始降水距平场的近似,比传统一维PCA的近似更为逼真。

非线性主成分分析在中国四季降水异常分布中的应用

利用中国160站逐月降水资料,运用一种基于前馈型人工神经网络的非线性主成分分析方法(nonlinear principal component analysis,NLPCA)研究了中国近50 a四季降水异常分布的非线性特征。结果表明,NLPCA有能力表示出更一般的低维结构特征。四季降水的异常分布都具有一定的非线性相关空间结构,其中春夏季节非线性较强,秋冬季节稍弱;四季降水距平的一维NLPCA近似在非线性主成分取极端相反位相时,对应的空间分布型表现出明显的不对称性。四季降水异常的一维NLPCA近似都比传统一维PCA的近似逼真,且存在季节变化。

考虑温湿度影响的桥梁结构模态频率分析

文中以天津永和大桥为例,主要研究了温度和湿度效应对于模态频率影响,并选择非线性主成分分析(Nonlinear Principal Component Analysis,NLPCA)作为模态频率预处理的方法,以将温湿度对模态参数的影响和其他因素的影响区别开来,经过NLPCA处理的数据隐含了模态频率与温湿度的关系,而后应用神经网络(Artificial Neural Network,ANN)来构造温湿度与环境因素之间的关系模型。

北半球冬季大气环流遥相关型的非线性特征

利用NCEP/NCAR再分析500 hPa高度场资料,采用EOF和非线性主成分分析(NLPCA,Nonlinear Principal Component Analysis),研究了北半球冬季大气环流遥相关型的非线性特征,并将两种分析的结果与实际观测相比较,结果表明:NLPCA在提取资料场序列的低维非线性相关结构方面比传统EOF有明显的优越性。北半球冬季大气环流的遥相关型有明显的非线性结构特征,特别是EU型和PNA型,当非线性主成分NLPC取正负极值时,EU和PNA型并不是呈现完全的反位相结构。NLPC取负极值时,EU型的活动中心位置比NLPC取正极值时位置偏西,特别是欧亚大陆中部的距平中心,负中心比正中心偏西,强度更强;PNA型的4个距平中心在NLPC取正极值时比负极值时更集中,副热带太平洋的正中心、北太平洋的负中心比NLPC取负极值时的反符号中心偏东,强度更强。

考虑温度和风速影响的桥梁结构模态参数分析

主要研究温度和风速两个环境因素对桥梁结构模态频率和阻尼比的影响,并建立环境因素与模态参数之间关系的数学模型。由于风速和温度的相关性较强,提出通过非线性主成分分析将相关的温度、风速转化为两个不相关的温度和风速主成分,从而将问题转化为研究温度和风速主成分对模态参数的影响;然后,采用非线性主成分分析对模态频率和阻尼比进行预处理,预处理后的数据隐含了模态频率和阻尼比与环境主成分之间的关系;其次,建立模态频率和阻尼比与环境主成分之间的神经网络模型;最后,对某一斜拉桥健康监测系统得到的模态频率、阻尼比和测试温度与风速进行分析。结果表明,环境因素对结构模态频率影响较大,神经网络模型可以较好地模拟环境主成分与模态参数之间的关系;对大部分模态的阻尼比,其与环境主成分的相关性不高。

基于RBF神经网络的非线性主元分析新方法

在分析非线性主元曲线性质基础上,提出了非线性负载是变量X的函数,基于此,设计非线性负载RBF神经网络结构,给出了随机梯度下降算法。提出的非线性主成分分析方法与以往方法比较,得分和负载在概念上具有和线性主成分分析相同的解释,在结构上较为简单,解决了缺乏训练数据问题,训练容易。与线性主成分分析的对比仿真验证了提出方法的有效性。

基于非线性主成分分析法的SWOT战略定位模型研究

文章构建了基于非线性主成分分析法(NLCPA)的SWOT战略定位模型,实现了SWOT定性分析与非线性定量分析的有机结合,充分考虑了影响战略定位SWOT子因素间的关联性。该模型通过引入非线性主成分分析法,避免了AHP-SWOT等基于线性均值SWOT战略定位模型的缺点,提高了分析结果的科学性和可信度。运用该模型对中航工业某飞机装备有限公司战略定位的SWOT因素进行综合评估,采用得到的综合主成分的指标代替原来较多的指标,将主成分的方差贡献率作为权重,以主成分的线性加权值作为SWOT因素的综合评价结果,提高了该公司战略绩效管理定位的效度,并与基于线性均值分析法的SWOT战略定位模型应用结果进行了验证比较。

基于神经网络的非线性PCA方法

由于普通的主元分析 (PCA)方法无法提取数据中的非线性相关特性 ,本文提出了一种基于神经网络的非线性PCA(NLPCA)方法 ,不仅提取了高维原始数据的线性信息还能提取非线性信息。在此基础上进一步提出了样本中显著误差及劣点的检测方法 ,从而支持对其进行合理剔除或是修正。仿真试验表明它能有效地减小误差点对网络训练精度的影响 。

Sensor Fault Detection, Isolation and Reconstruction Using Nonlinear Principal Component Analysis

State reconstruction approach is very useful for sensor fault isolation, reconstruction of faulty measurement and the determination of the number of components retained in the principal components analysis （PCA） model. An extension of this approach based on a Nonlinear PCA （NLPCA） model is described in this paper. The NLPCA model is obtained using five layer neural network. A simulation example is given to show the performances of the proposed approach.

基于神经网络的非线性PCA方法

该文采用基于正交最小二乘方法 (OLS)的径向基函数 (RBF)神经网络进行非线性主元分析 (NLPCA)算法的训练 ,提高了训练速度 ,且不存在局部最优问题。将其应用到聚丙烯生产的高维非线性数据相关特性的提取中 ,仿真试验显示这种NLPCA方法提高了熔融指数 (MI)的预报精度 ,具有实际应用价值。

一类基于非线性PCA的信息安全评估模型

首先基于ISO17799所提出的信息安全三属性,建立了信息安全系统评估的层次模型,然后将多元统计分析中的非线性主成分分析法(NLPCA)应用到该评估模型中。在使用NLPCA之前,分析了非线性函数的选取条件,在系统仿真时,根据得出的条件选用了四种非线性函数进行仿真,并对每种函数下的结果加以比较,得出选用非线性函数的原则。总之,非线性主成分分析法用于信息安全系统评估是一种全新的尝试,仿真结果表明的模型和使用的方法是合理、有效的。

近53a中国气温异常分布的非线性特征

运用一种基于神经网络的非线性主成分分析法(nonlinear principal component analysis,NLP-CA)对中国1951—2003年53 a四季气温距平场(surface air temperature anomaly,SATA)进行分析,NLPCA第一模态结果显示中国四季气温异常具有一定的非线性特征,并且具有显著的季节性差异,即春、夏两季的非线性较强,秋、冬两季较弱。一维NLPCA对原始气温距平场的近似比一维PCA(principal component analysis)更好地反映了气温场的实际分布情况。

欠定无人机发动机开车声音信号盲源分离

针对无人机发动机开车实验,设计了一个四通道声音信号采集系统并对采集信号进行盲源分离。首先以相关系数为标准采集4路信号,其次选取其中3路信号利用EMD-NLPCA盲源分离算法进行欠定盲源分离,最后得到发动机螺桨噪声、排气噪声、试验间的风机噪声和其他背景噪声等4种信号,为进一步进行发动机故障定位和诊断提供了必要的数据基础。

A nonlinear PCA algorithm based on RBF neural networks

Traditional PCA is a linear method, but most engineering problems are nonlinear. Using the linear PCA in nonlinear problems may bring distorted and misleading results. Therefore, an approach of nonlinear principal component analysis (NLPCA) using radial basis function (RBF) neural network is developed in this paper. The orthogonal least squares (OLS) algorithm is used to train the RBF neural network. This method improves the training speed and prevents it from being trapped in local optimization. Results of two experiments show that this NLPCA method can effectively capture nonlinear correlation of nonlinear complex data, and improve the precision of the classification and the prediction.

非线性PCA方法在股价预测中的应用研究

针对传统PCA(主元分析)股票价格预测方法在非线性过程应用中存在的缺点,本文提出了一种基于RBF神经网络的非线性PCA(NLPCA)方法,不仅提取了高维原始数据的线性信息还能提取非线性信息.在此基础上进一步提出了样本中误差的检测方法,仿真试验表明它能有效地减小误差点对网络训练精度的影响,大大增强了股票价格预测的准确性.