基于PCA与ICA特征提取的入侵检测集成分类系统

入侵检测系统不仅要具备良好的入侵检测性能,同时对新的入侵行为要有良好的增量式学习能力.提出了一种入侵检测集成分类系统,将主成分分析(PCA)和独立成分分析(ICA)与增量式支持向量机分类算法相结合构造两个子分类器,采用集成技术对子分类器进行集成.系统利用支持向量集合对已有的入侵知识进行压缩表示,并采用遗传算法自适应地调整集成分类系统的权重.数值实验表明:集成分类系统通过自适应训练权重,综合了两种特征提取子分类器的优点,具有更好的综合性能.

基于PCA和ICA的交通流量数据压缩方法比较研究

针对交通流量数据的特点,分别采用基于主成份分析(PCA)和独立成份分析(ICA)的方法对其进行数据压缩研究和比较。首先,对城市道路和高速公路的交通流统计特性进行分析:发现采样时间的大小不会影响研究结果,而流量离差的统计分布为接近高斯分布的超高斯分布。然后分别采用基于PCA和ICA的方法进行交通流数据的压缩与重构,并对结果进行全面比较。试验结果表明:由于城市道路和高速公路的交通流离差数据均接近高斯分布,因此PCA在数据压缩中的效果较好;而高速公路的交通流数据压缩结果优于城市道路,因为其更加规律和稳定。这一结果反映了交通流波动的随机特征,对于进一步的交通流分析有着重要的意义。

基于MCUSUM-ICA-PCA的微小故障检测

针对过程中难以检测到的微小、缓变故障的检测问题,以及过程中普遍存在的非高斯信息,提出一种新的多变量统计过程监测方法.把传统的单变量累计和控制图(CUSUM)扩展为多变量的形式,并与独立成分分析(ICA)和传统的主元分析(PCA)方法相结合,构成新的MCUSUM-ICA-PCA方法,采用ICA-PCA两步信息提取策略,完整地提取出过程的非高斯和高斯信息,重新构造统计量并建立其对应的统计限.通过对Tennessee Eastman(TE)过程的仿真研究,验证了该方法的可行性和有效性,改善了该过程微小故障的检测效果,从而更好地保证过程运行的安全、稳定性.

基于PCA与ICA的人脸识别算法研究

ICA是一种基于数据高阶统计信息的有效的数据独立特征提取技术,它能够更好地表示人脸的局部特征,ICA是PCA从二阶统计分析向高阶统计分析的拓展.本文提出了一种加权融合这两种技术的人脸特征提取算法,并结合不同的相似性度量进行了人脸识别实验.结果表明,该方法比用一种单独的特征提取方式识别率要高.

基于仿生模式识别和PCA/ICA的DOA估计方法

本文提出了一种基于仿生模式识别和PCA/ICA的DOA估计方法 .这种方法的建模过程是用在实际环境下采集的训练样本构造人工神经网络模型 ,对环境的适应能力较强 ;且这种方法采用PCA/ICA进行特征提取 ,使数据得到有效压缩 ,可以实现系统实时处理 .实验结果表明 :在信噪比为 2 0dB和 0dB时 ,该方法的正确估计率可达10 0 % ;在信噪比降为 - 2 0dB时 ,该方法仍有 83%的可识别率 .

采用PCA/ICA特征和SVM分类的人脸识别

人脸识别过程中 ,首先在主成分分析基础上进一步做独立成分分析 ,来提取更加有利于分类的面部特征的主要独立成分 ;然后采用一种分阶段淘汰的支持向量机分类机制进行识别 该方法扩展了支持向量机处理多类问题的能力 ,它基于 1 1差别策略 ,根据各判别函数VC置信范围的差异进行排序 ,同时利用判别函数间的冗余来降低识别误差 对两组人脸图像库的测试结果表明 。

基于分布式ICA-PCA模型的工业过程故障监测

提出基于分布式ICA-PCA(independent component analysis-principal component analysis)模型的工业过程故障监测方法,适合于复杂工业过程难以自动划分子块及过程数据存在非高斯信息的情况。首先,对过程数据进行PCA分解,并在PCA主成分不同的方向上构建不同的子块,把原始特征空间自动划分为不同子空间。然后,对各个子块采用ICA-PCA两步信息提取的策略,提取出高斯信息和非高斯信息,并构建新的统计量和统计限。最后,通过Tennessee Eastman(TE)过程的仿真实验,验证所提出故障监测模型的有效性和可行性。

基于k-ICA-PCA方法的多模态过程模态的划分

针对连续化工过程的多模态划分问题,提出了基于独立元分析-主元分析两步特征提取的k-独立元分析-主元分析(k-ICA-PCA)分类方法。传统的k-主元分析(k-PCA)分类方法假设过程数据仅仅包含高斯信息,然而在实际过程中数据往往无法满足这一假设。所提出的k-ICA-PCA方法在分类迭代过程中,不仅考虑了过程数据的高斯信息,而且考虑了数据的非高斯信息。将k-ICA-PCA分类方法应用到TE过程进行仿真实验,仿真结果验证了k-ICA-PCA方法相对于k-PCA分类方法更加有效和可行。

基于PCA和ICA的人脸识别

提出利用主成分分析 (PCA)和独立成分分析 (ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维 ,即利用PCA算法对图像进行去二阶相关和降维处理 ,然后再利用ICA算法获得人脸影像独立基成分 ,利用人脸影像独立基来构造一子空间 ,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集 ,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看 。

脉冲远场涡流检测PCA-ICA联合消噪技术

脉冲远场涡流作为一种新兴的电磁无损检测技术,国内外研究发现其对铁磁性管道检测具有显著的优势。然而在实际检测中,由于磁导率不均等管道自身材质因素的影响,使检测信号信噪比较低,易造成缺陷误判。针对这一问题,提出了主成分分析—独立分量分析(PCA-ICA)联合消噪技术。单通道缺陷扫查信号经过PCA处理后,利用前二阶主成分构建虚拟双通道信号作为ICA输入矩阵,采用扩展特征矩阵联合近似对角化(FJADE)算法实现在单通道信号欠定条件下缺陷信号与噪声信号的分离,达到降噪目的。通过仿真与实验研究证明:PCA-ICA技术可以有效降低磁导率不均等噪声信号对检测结果的影响,提升了检测结果的信噪比。

基于PCA/ICA的人脸特征提取新方法

人脸自动识别方法已成为当前模式识别和人工智能领域的一个研究热点,人脸特征提取是人脸识别技术的关键。首先介绍了人脸图像的预处理过程,PCA和ICA算法的原理,针对PCA和ICA算法本身优缺点,提出一种新的基于PCA/ICA的人脸特征提取方法,最后采用最近邻分类器,对ORL人脸库进行分类识别。实验证明,改进的方法优于PCA算法和ICA算法。

基于鲁棒ICA-PCA的TE故障诊断

针对复杂工业过程混合分布的问题,提出了基于鲁棒ICA-PCA(independent component analysis-principal component analysis)的故障诊断新方法。由于实际工业过程数据不可避免地带有大量干扰,为降低数据粗糙的影响,首先采用小波去噪算法提高建模数据质量;然后利用鲁棒ICA-PCA算法提取过程的非高斯和高斯信息,并构建了三个统计量进行故障的监控;最后将上述方法应用到田纳西—伊斯曼(Tennessee Eastman,TE)化工过程。仿真结果表明,相比于传统PCA算法、ICA-PCA等算法,鲁棒ICA-PCA方法能够有效地检测故障的发生,具有较好的鲁棒性和灵敏性。

结合PCA与ICA的Munsell色卡光谱反射比重建

对32块光泽Munsell色卡的光谱反射比重建的评价结果中可见,结合PCA与ICA的光谱估计算法的重建效果优于传统的PCA光谱估计算法重建效果,验证了PCA结合ICA的光谱估计算法的可行性和有效性的.

结合PCA和ICA的脑磁信号消噪研究

基于二阶统计特性的主分量分解(PCA)和基于高阶统计特性的独立成分分析(ICA)是盲源分离信号处理中两种最为典型的方法.针对多通道脑磁信号的消噪问题,提出一种基于PCA与ICA相结合的信号消噪新算法.首先通过对脑磁信号进行主分量分解来降低信号维数,去掉其中包含的冗余成分,使计算时间缩短到原来的10%;进而利用自适应最大熵独立成分分析算法对降维后的数据进行二次分解,提取出脑磁信号中含有的干扰分量,使信噪比从10 dB提高到80 dB,达到对信号进行消噪的目的.

基于PCA与ICA的结构损伤识别

在分析主成分分析PCA和独立分量分析ICA的基础上,建立了基于PCA和ICA的结构损伤识别构架。利用它们对结构损伤信号进行特征提取,并将提取的特征作为3层BP神经网络的输入,以实现对结构损伤的识别。这2个模型通过British Columbia大学IASC-ASCE SHM任务组提供的用于验证分类正确性的结构基准数据集合进行测试。结果显示:PCA和ICA都能降低信号中噪音的影响,并对特征进行有效提取;基于ICA的模型比基于PCA的模型预测更准确。

混合PCA/ICA与JPEG2000结合的高光谱图像压缩

主成分分析(PCA)常常结合JPEG2000压缩标准用来对高光谱图像进行压缩。然而,由PCA得到的主成分仅利用了二阶统计信息。对于高光谱图像应用来说,只采用二阶统计信息是远远不够的,如异常像素的处理常常需要用到更高阶的统计信息。研究了一种混合PCA/ICA与JPEG2000相结合的高光谱图像压缩算法。首先,对原始高光谱图像进行PCA变换,提取出前m个主成分对应的特征向量矩阵WPCA;然后,对其余的特征向量进行ICA变换,得到n个特征向量矩阵WICA;最后,将得到的混合投影矩阵、原始高光谱图像及其均值向量共同嵌入JPEG2000比特流,从而完成对高光谱图像的压缩。在不同码率的情况下,通过空间相关系数(ρ)、信噪比(SNR)、光谱角填图(SAM)等技术指标对混合PCA/ICA+JPEG2000算法的压缩性能进行评估。实验结果表明,混合PCA/ICA+JPEG2000算法不但能有效去除高光谱图像的谱间相关性,而且能够有效提高光谱保真度,保护异常像素信息。

应用PCA和ICA法对岩心光谱的定量解译

岩心光谱属于混合像元光谱,维度多、数据量大,在端元数量、端元光谱及混合矩阵未知的情况下,定量解译岩心光谱以提取岩心所含矿物信息难度大,噪声的存在使问题更加复杂。文章应用PCA和ICA法定量解译岩心光谱主要有三步:采用PCA法预处理混合像元光谱矩阵,在新的特征空间中保留特征值较大的少量特征矢量,有效滤除能量较小的成分,只保留主要成分信息,同时滤除数据中的噪声;采用ICA法分离岩心混合像元,得到混合像元中的端元光谱集,通过矿物识别获取岩心矿物成分;对端元光谱进行归一化处理,基于线性光谱混合模型进行丰度反演,得到岩心混合像元中各端元丰度。通过研究仿真数据获得光谱定量解译的一般规律,创建有效的算法模型,再处理实际测量的岩心光谱,获得了比较理想的结果。

基于PCA余像空间的ICA混合特征人脸识别方法

为改善传统的基于特征脸的人脸识别方法在识别光照变化较大的人脸时效果不尽理想的缺陷,提出一种基于“PCA余像空间”的ICA混合特征人脸识别方法。不同于2阶PCA人脸识别方法,用独立元分析法代替主元分析法,对“PCA余像特征脸集”进行独立元特征抽取得到人脸图像基于PCA余像空间的独立元特征,并综合人脸图像的原始独立元特征得到混合特征作为最终识别的特征。实验表明,基于PCA余像空间的ICA混合特征人脸识别方法,在识别光照、表情等外界因素变化较大的人脸图像时,要优于传统的基于特征脸的识别方法、基于ICA的识别方法以及基于2阶PCA的人脸识别方法,并具有较强的适用性。

基于PCA/ICA的多数据流关联及模式发现

基于主成分分析技术、独立分量分析技术以及多数据流模型,将用于数据和信号分析的PCA/ICA方法应用于多数据流模型,提出多数据流关联度分析和模式发现的新模型。该模型适用于解决在线混合数据流分离,对挖掘多数据流潜在独立内因有良好效果。探讨模型的健壮性和实时性,并在实验中验证了系统性能。

基于ICA-PCA的连续退火机组温度系统的多模型监测方法

冷轧连续退火机组中,退火炉是其中的重要设备。为保证最终带钢的质量,带钢在退火炉内各个阶段的温度必须严格控制在工艺要求的范围之内。文章针对不同规格的带钢建立不同的温度监测模型,选用ICA-PCA两步结合的特征提取方法挖掘与温度状态紧密相关的过程信息,同时建立多个统计量指标及时实现带钢温度系统的在线监测。通过对现场实际数据的仿真分析证明了所提出方法的可行性和有效性。