基于小波分析与KPCA的人脸识别方法

提出结合小波变换及KPCA的特点获取人脸特征,设计线性SVM分类器进行分类识别。由于KPCA中核函数的参数选择以及训练样本与测试样本的划分对分类识别有一定的影响,为了获得最优的识别效果,在UM IST人脸数据库上进行相应的实验。结果表明本方法可以获得较好的分类识别率,是一种快速、有效的人脸识别方法。

基于文化粒子群算法的KPCA特征提取

如何选择最优或接近最优的核函数使分类错误率降低,是KPCA应用于特征提取的关键。为了优化核函数,提高特征提取的能力并降低分类错误率,在研究了文化算法(cultural algorithm,CA)、粒子群优化(particleswarm optim ization,PSO)相关文献的基础上,提出了一种文化粒子群算法(cultural based PSO,CBPSO)流程,并将此算法用于训练核函数参数,实现了KPCA和CBPSO的集成,有效地提高了核函数的优化选择。通过比较CBPSO-KPCA与GA-KPCA的仿真结果,表明该方法具有较好的结果和更少的计算量,克服了GA(genetic algo-rithm)的缺点。

基于KPCA-BAS-GRNN的埋地管道外腐蚀速率预测

目的提高埋地管道外腐蚀速率的预测精度。方法建立基于核主成分分析法(KPCA)和天牛须搜索(BAS)算法优化的广义回归神经网络(GRNN)腐蚀速率预测模型,通过KPCA对原始数据进行预处理,提取影响管道外腐蚀的主要因素,应用GRNN建立埋地管道外腐蚀速率预测的数学模型,并采用BAS算法对模型进行优化,减小了人为设置参数的影响。以川气东送埋地管段为例,分析选取出12种关键影响因素,建立了埋地管道外腐蚀指标体系,借助MATLAB-R2014a编写程序进行仿真,并与实际值进行对比。结果模型的预测结果与实际值基本一致,KPCA可有效降低指标体系的维度,提取出包含原始信息97.9%的3个主因素—土壤电阻率、氧化还原电位、氯离子含量,简化了运算过程。采用的BAS-GRNN模型将预测精度提高到7.83%以内,平均相对误差5.21%,决定系数取值0.93。与其他模型相比,该模型性能较好,预测精度更高。结论采用KPCA提取的主要影响因素符合工程实际,建立的BAS-GRNN模型预测精度高,有较好的适应性,为埋地管道外腐蚀速率预测提供了新思路,对管道的维护更新工作提供了参考依据。

结合DCT与KPCA的人脸识别

核主成分分析是主成分分析在核空间中的非线性推广,能有效应用于人脸识别,但是识别过程时间开销过大仍是待解决的问题。提出了一种结合离散余弦变换和核主分量分析的人脸识别方法。对人脸图像进行离散余弦变换,选择部分系数重建图像,采用核主分量分析的方法提取人脸特征,采用最近邻分类器进行识别。在ORL人脸库上的仿真结果表明所提出的方法速度快,综合性能优于核主成分分析方法。

联合循环发电站电力输出预测

为了使联合循环发电站利润最大化,准确预测其满负载电力输出非常重要。联合循环发电站运行时,前一级产生的废气被用来驱动下一级热机,以此来推动发电机,其满负载电力输出受到环境温度、大气压强、相对湿度和废气气压的影响。为此,首先,采用核主成分分析(kernel principle component analysis,KPCA)对电站发电相关的特征进行特征组合降维完成特征提取;然后,采用极端梯度提升(extreme gradient boosting,XGBoost)算法进行特征重要性评分,并结合序列前向选择法(forward selection,FS)获取最优特征子集;最后,构建了KPCA-XGB-FS模型用于联合循环发电站满负载下小时电力输出预测。通过对某联合发电站的真实数据进行实验,并与使用相同数据的已有研究方法进行对比,结果表明,所提出方法能够有效对电力输出进行预测,预测结果优于已有的研究方法。

基于KPCA-LSSVM的矿井工作面动力环境安全评价模型

为实现对采前工作面所处动力环境的客观、准确评价,选取9个直接影响工作面动力环境的指标因素构建安全评价指标体系,建立基于核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)的工作面动力环境多因素耦合安全评价智能模型。首先根据KPCA理论对评价指标施行简约化处理,剔除冗余信息,得出6个简约后的评价指标并输入LSSVM模型中训练学习,最后得到评价模型。选取从平顶山矿区和大同矿区搜集到的30组工作面历史数据,按照20∶10的比例对模型进行训练和测试,并将测试结果与其他四种模型结果进行了对比,结果表明:KPCA方法可有效减少数据信息冗余,利用KPCA优化的LSSVM模型可准确评价工作面动力环境,误判率为0。

基于KPCA的结构振动信号特征提取研究

本文提出基于核主元分析(Kernel Principal Component Analysis,KPCA)的结构振动信号特征提取方法。通过对原始信号进行KPCA分析得到非线性主元,根据非线性主元的累计贡献率确定非线性主元个数,然后根据结构信号在不同损伤状态下的KPCA特征构造结构特征指标,由此判断结构相对于基准状态是否发生了损伤。试验结果表明,该方法在基准状态为无损状态和小损伤状态下都能很好的判断结构是否发生损伤,用于结构损伤识别特征提取是有效的。

基于核主成分分析的地震属性优化方法及应用

传统的基于线性变换的主成分分析法(PCA)是一种有效的地震属性降维优化方法。但是,当原始数据中存在非线性属性时,用主成分分析法提取的主成分就不能反映这种非线性属性。而核主成分分析(KPCA)则是一种基于原始数据的非线性变换,它可以提取出数据之间的非线性关系。本文从方法原理概述入手,分析了一般主成分分析在处理非线性问题上存在的不足,阐述了基于核函数的主成分分析方法,并将其首次应用于地震属性的降维优化中。应用结果表明:基于核函数的主成分分析方法具有优秀的特征提取性能。

基于改进的F-score与支持向量机的特征选择方法

将传统F-score度量样本特征在两类之间的辨别能力进行推广,提出了改进的F-score,使其不但能够评价样本特征在两类之间的辨别能力,而且能够度量样本特征在多类之间的辨别能力大小。以改进的F-score作为特征选择准则,用支持向量机(SVM)评估所选特征子集的有效性,实现有效的特征选择。通过UCI机器学习数据库中六组数据集的实验测试,并与SVM、PCA+SVM方法进行比较,证明基于改进F-score与SVM的特征选择方法不仅提高了分类精度,并具有很好的泛化能力,且在训练时间上优于PCA+SVM方法。

基于异类信息特征融合的异步电机故障诊断

针对异步电机单一故障信号的局限性和故障特征存在较强非线性关系的特点,提出一种基于异类信息特征融合的故障诊断方法。以采集的振动信号和电流信号为原始信源,分别提取它们的时域特征和小波包熵特征,采用核主元分析对原始特征的组合进行降维融合,得到信息互补的特征量,将融合特征通过支持向量机进行模式识别。异步电机转子和轴承故障诊断实例表明,基于核主元分析的异类信息特征融合方法,可充分利用异类信源的冗余互补信息和特征数据之间的非线性关系,更全面地表征设备运行状态,相比单参数法及同类信息特征融合法具有更高的诊断精度。

基于横切面微观构造图像的木材识别方法

提出一种基于核主成分分析(KPCA)和自适应增强(AdaBoost)的木材识别算法。通过把图像投影到KPCA高维空间,利用PCA方法对该空间中的数据进行特征提取和压缩,使用Gentle AdaBoost进行分类。结果表明:本方法对基于横切面微观构造图像的木材识别,具有较高的识别率和算法鲁棒性且运行时间快的特点。

绝缘子污秽放电的声发射核主成分诊断法

为了提高污秽绝缘子外绝缘状态的诊断准确度,利用绝缘子污秽放电时产生的声发射信号评定其外绝缘状态。通过绝缘子污秽试验,由高灵敏度声信号监测装置检测绝缘子的污秽放电声发射信号;对提取的声发射信号进行核主成分分析,将样本从低维的状态空间非线性的映射到高维核空间,在核空间采用随机森林方法训练得到分类器群,根据分类器群的分类结果对每个测试样本进行投票表决决定其最终分类。分析和诊断试验结果表明,声发射信号的3个原始特征量经核主成分分析后,变换为65个核特征量,有效地提高了分类器群之间的差异性。基于核主成分分析的随机森林模型的状态诊断结果具有很高的准确性。利用污秽放电声发射信号可进行污秽放电阶段的划分,以达到监测绝缘子的外绝缘状态的目的。

概率核主成分分析及其应用

主成分分析(PCA)、核主成分分析(KPCA)和概率主成分分析(PPCA)是已经取得广泛应用的特征提取方法。提出一种基于概率核主成分分析(PKPCA)的检测液晶屏幕亮点的方法。作为对PPCA的一种非线性扩展,PKPCA在PPCA的基础上引入了核函数方法,因而其捕获模式非线性特征的能力更强。在KPCA和PPCA的基础上推导了PKPCA过程公式,并在检测液晶屏幕亮点的应用中将PKPCA、PPCA、PCA算法进行比较。实验结果表明,PKPCA的检测率和局部信噪比优于其他两者。

基于全矢谱核函数主元分析的旋转机械故障诊断方法研究

结合全矢谱和核函数主元分析的各自优点,提出了一种基于全矢谱核函数主元分析的旋转机械故障诊断新方法。该方法充分利用了全矢谱提取回转信息的完整性和全面性,同时又利用了核函数主元分析具有处理非线性问题的能力。提出的方法与传统的核函数主元分析方法进行了对比,试验结果表明提出的方法是有效的,非常适合提取旋转机械故障的非线性特征,并能很好的进行旋转机械的故障模式识别。

基于对称核主成分分析的人脸识别

为了提高人脸识别技术的实用性,结合人脸镜像对称性和核主成分分析提出了一种新的人脸识别方法。首先利用小波变换压缩人脸图像数据,获取小波分解的低频分量,再通过镜像变换得到镜像偶对称图像和镜像奇对称图像,然后分别对奇偶对称图像进行核主成分分析提取奇偶特征,并且通过加权因子对奇偶特征进行融合,最后采用最近邻分类器分类。基于ORL人脸数据库的实验结果表明:该算法增大了样本容量,在一定程度上克服了光照、姿态的不利因素,提高了人脸识别率。

基于核函数主元分析的滚动轴承故障模式识别方法

基于核函数主元分析的独特优势,提出了滚动轴承故障诊断方法,通过核函数映射将非线性问题转换成高维的线性特征空间,然后对高维空间中的映射数据作主元分析,提取其非线性特征,对故障模式进行识别。并与主元分析方法进行了对比。试验结果表明,核函数主元分析法更适合提取故障的非线性特征,并能很好地识别滚动轴承故障模式。

基于核函数主元分析的机械故障模式识别方法的研究

提出基于核函数主元分析的机械故障诊断方法,它保留主元分析的优点并具有处理非线性的能力。该方法通过核函数映射将非线性问题转换成高维的线性特征空间,然后对高维空间中的映射数据作主元分析,提取其非线性特征,对机械故障模式进行识别。并与主元分析方法进行对比分析,实验结果表明核函数主元分析法非常有效。

基于超球体多类支持向量数据描述的医学图像分类新方法

针对乳腺x光医学图像多分类问题中训练速度比较慢的问题，提出超球体多分类支持向量数据描述（HSMC—SVDD）分类算法，即把超球体单分类支持向量数据描述直接扩展到超球体多分类支持向量数据描述。通过对乳腺x光图像提取灰度共生矩阵特征；然后用核主成分分析（KPCA）对数据进行降维；最后用超球体多分类支持向量数据描述分类器进行分类。由于每一类样本只参与构造一个超球体的训练，因此训练速度明显提高。实验结果表明，这种超球体多分类支持向量数据描述分类器的平均训练时间为21．369S，训练时间比Wei等（WEILY，YANGYY．NISHIKAWARM．el al．Astudyonseveralmachine．1earningmethodsforclassificationofmalignantandbenignclusteredmicro—calcifications．IEEETransactionsonMedicalImaging，2005，24（3）：371—380）提出的组合分类器（平均训练时间40．2S）减少了10～20S，分类精度最高达76．6929％，适合解决类别数较多的分类问题。

两种特征提取技术在入侵检测中的应用

在介绍主成分分析方法和核主成分分析方法原理基础上,分别采用这两种方法对KDDCUP99中的入侵检测数据进行特征提取,然后把特征提取后的数据送入神经网络进行训练。仿真实验结果表明,两种方法中核主成分分析方法具有更优秀的特征提取性能。

基于CV模型和形状信息的光学遥感舰船目标分割方法

为了克服光学遥感舰船目标分割中的光照、视角变化和阴影问题,提出一种基于CV模型和形状信息的光学舰船目标分割方法.该方法首先利用核主成分分析来提取舰船目标的形状信息,然后将构造的形状能量泛函与CV模型相结合,得到新的舰船目标分割模型.最后,提出了新的Heaviside函数,以确保水平集演化过程中的数值稳定性.选用来自不同传感器的光学遥感舰船目标图像进行实验.实验结果表明,提出的方法在光学遥感舰船目标的分割性能上优于传统的CV模型.