基于PCA方法的移动医疗高维数据降维处理

移动医疗领域产生大数据集,数据量庞大、数据维度复杂,数据挖掘过程存在诸多冗余数据等问题,本文在此基础上使用主成分分析PCA方法进行降维处理,筛选出有效数据维度,避免数据过度拟合,将高维数据降维成低维数据,对其隐含的结构具有很大帮助,经常用于数据压缩、数据探索以及数据可视化。对移动医疗大数据进行降维处理,不仅能减少数据计算量,也能避免数据过度拟合,有利于医疗数据价值分析,为移动医疗数据集领域的数据挖掘提供新的思路和方法。

基于PCA降维的MNIST手写数字识别优化

PCA数据降维技术广泛应用于数据降维和数据的特征提取,可以很大程度上降低算法的计算复杂度,提升程序运行效率。文章将MNIST原始数据集和对原始数据集进行PCA降维处理之后的数据集作为样本,分别采用K-邻近算法、决策树ID3算法、SVC分类模型,以及选取不同分类算法作为基础分类器的集成学习方法,实现手写数字识别。在对MNIST数据集进行PCA降维前后,以及不同分类算法和模型执行结果的时间复杂度与预测准确率进行比对与分析,进一步强化与优化手写数字识别准确率等各项指标。

基于PCA和ICA模式融合的非高斯特征检测识别

针对无人船(Unmanned surface vehicle,USV)航行位姿观测数据的非高斯性/高斯性判别问题,提出一种基于主成分分析(Principal component analysis,PCA)和独立成分分析(Independent component analysis,ICA)模式融合的非高斯特征检测识别方法.首先,采用基于标准化加权平均和信息熵的数据预处理方法.其次,引入混合加权核函数并使用灰狼优化(Grey wolf optimization,GWO)算法进行参数优化,以提高PCA方法的准确性.同时,该算法采用一种新的非线性控制因子策略,提高全局和局部搜索能力.最后,建立了一种基于ICA和PCA联合的相关性分析方法来实现多维数据的降维,在降维数据的基础上综合T型多维偏度峰度检验法和KS(Kolmogorov-Smirnov)检验法进行非高斯性/高斯性特征检测识别.该方法考虑了非线性非高斯的噪声对降维结果精确度的影响,有效降低了多维数据非高斯检测的复杂度,同时也为后续在实际USV位姿估计等应用中提供了保障.实验表明,该方法具有较高的准确性和稳定性,可为USV航行位姿观测数据处理提供支持.

平滑处理的聚类PCA焊缝识别研究

针对焊后焊缝识别仍存在适应性不强、精度较低的问题,提出了一种基于平滑处理的聚类PCA焊缝识别算法。首先对焊缝图像灰度化预处理,进行Canny检测,对获取的焊缝边缘进行细节点聚类,在此基础上进行主成分分析,对焊缝的细节点计数,并将结果映射;其次为消除映射数据的杂点,进行一维平滑处理,进行数据的阈值化处理并获取峰值的位置,对峰值域进行求导得到焊缝的左、右边界;然后进行反映射得到焊缝的上下边界,最后基于以上方法设计了四组对实验,重点考虑光照强度、分辨率、焊接方式、焊缝数量对本算法的影响。结果表明,这种焊缝识别算法适用于直型焊缝的识别,其精度高于95%。

基于PCA/MSET联用模型的烟气轮机故障预警研究

针对催化裂化装置烟气轮机运行环境恶劣,故障频发等特点,开展基于PCA和MSET联合模型的振动监测预警研究。基于原始振动波形进行时频域特征提取计算,获得29个时频域特征参量,采用PCA方法将29个时频域特征参量重新组合成6个新主元,可以有效实现数据降维。烟气轮机正常运行状态下振动监测数据量的选择影响T2值变化,主元99%可信区间阈值随着数据量的增加降低至稳定值,采用时间点数据量2000满足分析要求。主元6是均方根值、方差和频率标准差的综合表征,在发生故障阶段波动较大,采用MSET模型进行残差分析,相对固定高报报警监测,可以超前预警8.5 h。

综合天气相似分析方法及其气象预报服务应用

为改进传统“切片”式天气形势相似分析方法存在的不同切片相似结果不一致、预报稳定性欠佳问题,借鉴大数据思维,将天气系统视为一个由高中低层大气相互配合、静力热力动力条件相互影响的综合体,以多种气象要素再分析格点资料为基础,采用机器学习PCA方法对原始数据进行降维、浓缩,经归一化处理后构建出适于综合天气相似分析的样本衍生特征因子矩阵;然后使用KNN算法计算样本间各特征维度的相似距离、并结合方差贡献率赋予其相应的权重,最终按综合相似距离大小排序给出目标样本在历史天气形势库中的综合最相似序列,从而实现对传统相似天气预报方法的升级改进。对比分析和测试应用表明,该方法可提供多要素、多层次“立体”综合相似下的一致性结论,有助于预报员更好地理解天气系统结构和演变过程、进而更准确地研判可能发生的相关天气现象,在精细化气象预报服务方面有良好的应用前景。在2023年以来的几次广西区域性极端降水气象预报服务中,该方法取得了较为显著的应用效果。

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PCA和WPSVM的航天器电特性识别方法

针对航天器电特性监测系统识别过程中存在测试数据量大、特征维数高、样本少、计算速度慢和识别率低等问题,提出基于主成分分析(PCA)的特征提取和加权近似支持向量机(WPSVM)的在线故障诊断方法.实现了对信号故障特征的主成分分析、选择和提取,并对高维特征数据实现了降维,提高了航天器电特性在线故障诊断的准确性和速度.针对PCA中的结果选取问题,提出运用数据贡献度阈值进行数据截取的方法,有效地保证了数据的有效性与一致性.结果表明:该方法充分利用了航天器电特性监测系统的有用数据特征,有效提高了识别的精度,且计算时间较短,效率较高.

双向压缩的2DPCA与PCA相结合的人脸识别算法

主成分分析(PCA)直接用于人脸识别时,需将图像矩阵转换成向量,导致求解高阶矩阵计算量大。二维主成分分析(2DPCA)的实质是对图像矩阵按行进行图像压缩抽取特征,消除了图像列的相关性,但特征数量仍然较大,影响分类速度。针对这一问题,提出了采用双向压缩的二维主成分分析消除图像行间和列间的相关性,再结合PCA进一步减少特征数量,改进人脸识别算法,该算法用于ORL人脸库上得到了较高的识别率和较快的识别速度。

基于决策灰狼优化支持向量机的指挥控制网络故障检测方法

针对复杂战场环境下,我军传统指挥控制网络故障检测方法准确率较低、耗时较长等问题,提出了一种基于决策灰狼优化支持向量机的方法来实现指挥控制网络故障检测。对采集到的网络故障数据集进行归一化处理;再利用主成分分析法(principal component analysis,PCA)对数据集进行降维处理从而剔除数据集中信息量较少的维度;构建支持向量机(support vector machines,SVM)模型,并运用决策灰狼优化(decision gray wolf optimization,DGWO)算法来进行全局寻优,以狼群所在的位置来代替SVM中核函数与惩罚因子的取值,通过不断地迭代寻优来更新狼群的位置,获得最优的核函数及惩罚因子,从而进行指挥控制网络故障检测。实验结果表明所提方法与其他方法相比检测准确率达到了98.68%,具有更高的实用性和有效性。

基于PCA的仿射传播聚类算法

仿射传播聚类是一种快速有效的聚类方法。但对高维数据进行聚类时,由于数据信息的重叠,聚类结果往往会有较大误差。针对这个问题,提出了把主元分析(PCA)和仿射传播(AP)聚类相结合的PCA-AP算法,在保留原变量绝大部分信息的情况下对数据进行降维处理,然后在低维空间中用仿射传播聚类的方法进行聚类。由于剔除了冗余信息,算法得到的分类结果更加准确。实验结果表明该算法是有效的。

基于G2DPCA的SAR目标特征提取与识别

给出了基于广义二维主分量分析(G2DPCA)的合成孔径雷达(SAR)图像目标特征提取方法。与主分量分析(PCA)相比,在寻求最优投影方向时,它直接基于二维图像矩阵而不是一维向量,在特征提取前不必将2维图像矩阵转换成1维向量。与二维主分量分析(2DPCA)相比,它可以同时去除图像行和列像素间的相关性。基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,结合预处理,G2DPCA在大大降低了特征维数的同时,又改善了识别性能,并且正确识别率在97%以上,且对目标方位变化具有较好的鲁棒性。

一种基于2DPCA的人耳识别方法

针对人耳识别问题,提出一种二维主分量分析(2DPCA)的人耳识别方法,该方法不需要预先将图像转换为一维向量,而是基于图像矩阵,直接计算图像协方差矩阵的特征向量作为人耳特征提取,大大加快特征提取的速度,从根本上克服了传统PCA在进行图像特征提取时耗时过多的缺点。并通过BP神经网络进行分类识别。实验结果表明,应用2DPCA方法提取人耳图像特征,可以大大提高识别效果。

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。

基于PCA和平行坐标的高维数据可视化

将平行坐标用于高维数据的可视化时,如果要展示的数据维太多,会发生可视化混乱。针对上述问题,提出一种结合主成分分析(PCA)和平行坐标的数据可视化方法PPCP。利用PCA方法对高维数据进行有效的降维处理,将降维后的数据进行平行坐标可视化展示。实验结果证明,该方法能有效地揭示高维数据之间的关系。

利用快速S变换及2DPCA的同调机组识别

提出一种基于快速S变换及二维主成分分析法（2DPCA）的机组同调识别方法。根据相量测量装置测得的电气运行变量计算得到机组实时功角信息,采用快速S变换将每台发电机的功角信号转换为时频特征模值矩阵,用2DPCA提取矩阵特征指标,并利用自组织神经网络实现机组同调分群。IEEE-39节点系统和加纳实际电网系统算例表明,该方法能够很好消除噪声影响,充分提取功角信息时频域特征,准确识别系统机组同调性。

基于图像熵值的加权分块2DPCA人脸识别

在分块2DPCA(Modular 2DPCA)算法的基础上,提出一种基于图像子块熵值加权的Modular 2DPCA算法(Entropy Modular 2DPCA)。Modular 2DPCA法直接计算测试图像与训练图像特征矩阵的距离,而Entropy Modular 2DPCA根据测试样本自适应确定图像子块的权值,增强包含分类信息多的子块权值,加入测试样本的信息,解决2DPCA人脸识别算法完全依赖人脸库的问题。将Entropy Modular 2DPCA算法、2DPCA算法以及Modular 2DPCA算法在ORL、自建人脸数据库上进行对比测试实验,实验结果表明,Entropy Modular 2DPCA算法具有良好的识别性能和计算速度,提高了对人脸姿态、光线、遮挡等问题的鲁棒性。

基于PCA-LBP算法的竞技赛技术动作行为识别模型

针对标准LBP算法在竞技赛技术动作行为识别的应用中还存在识别精度不高等问题。本文提出了一种基于概率和PCA降维优化LBP算法的竞技赛技术动作行为识别模型,首先根据应用概率论选定一种相似度量方式作为距离,然后按对应权重在相似度级别上融合,再以这种度量方式分类识别,最后采用PCA算法对LBP法提取的运动员特征进行降维处理,以降低算法的运算量。实验仿真结果表明,本文提出的改进LBP算法在竞技赛技术动作行为识别的应用中具有更高的识别精度。

随机采样的2DPCA人脸识别方法

在2DPCA的基础上提出一种随机采样的2DPCA人脸识别方法--RRS-2DPCA.同传统通过对特征或投影向量进行采样的方法不同的是,RRS-2DPCA(Row Random Sampling 2DPCA)将随机采样建立于图像的行向量集中,然后在行向量子集中执行2DPCA.在ORL、Yale和AR人脸数据集上进行实验,结果表明RRS-2DPCA不仅具很好的识别性能和运算效率,而且对参数具有很大的稳定性.另外针对2DPCA和RRS-2DPCA对光线、遮挡等不鲁棒问题,进一步提出了局部区域随机采样的2DPCA方法LRRS-2DPCA(Local Row Random Sampling 2DPCA),将RRS-2DPCA执行在人脸图像的局部区域中.实验结果表明LRRS-2DPCA不仅具有较好的鲁棒性更大大的提高了RRS-2DPCA的识别性能.

一种基于双向2DPCA及遗传算法的人脸识别方法

提出了一种双向二维PCA((2D)2PCA)及改进遗传算法(GA)相结合的人脸识别方法.该方法首先利用(2D)2PCA分别从图像的行、列方向进行特征提取,然后通过遗传算法对提取的特征空间以并行的方式进行优化,得到最优行、列特征空间,最后根据最优特征空间进行分类.在ORL人脸库上的实验结果表明,该方法较之传统的方法具有更高的识别率及识别速度,在各种鉴别特征维数下更具鲁棒性,是有效的人脸识别方法.