基于心理视觉冗余和PCA的图像压缩算法

为了进一步提高图像的压缩率,提出了基于心理视觉冗余和主成分分析(PCA)的图像压缩算法。根据人类视觉处理过程中各种信息的重要程度不同的原理,在不影响图像的感知质量的前提下,通过消除不重要的心理视觉冗余信息;再用PCA对消除心理视觉冗余的图像做进一步降维,使得图像数据进一步压缩。通过实验结果可知,提出的新的压缩算法在不影响图像感知质量的前提下,使得图像压缩比提高了1倍,大大缩小了存储空间。     

基于PCA的指纹识别算法研究

介绍了主成分分析(Principal Component Analysis,简称PCA)方法及其在指纹识别算法中的两个重要应用.并分析了当前指纹匹配算法的研究热点.     

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PCA和神经网络的人脸识别

介绍一种基于PCA和神经网络结合的人脸识别方法。该方法首先利用主成分分析方法对整幅图像进行特征提取,获得最佳描述特征,从而减小神经网络的输入。然后将降维之后的图像数据输入到一个前向传播神经网络中训练。神经网络的权值采用粒子群算法进行优化,用标准人脸数据库中的样本进行测试,最后将该方法与其他方法作了比较。实验结果表明,该方法能够取得更好的效果。     

基于PCA的BP神经网络股票预测研究

股票市场是国民经济发展变化的"晴雨表",股票价格的涨跌也是政治、经济、社会等诸多因素的综合反映.近几年来,神经网络取得较大发展已经成为热点研究并在各个领域中得到应用.文章基于主成分分析和BP神经网络,以中国石化100天股票历史技术指标数据作为训练样本对收盘价进行预测,20天数据进行检验,并通过图像仿真拟合来验证神经网络股票预测的可行性和准确性.     

利用PCA改进BP神经网络算法

BP神经网络是目前应用最为广泛的神经网络模型之一,本文对BP神经网络进行的深入的分析并对BP算法进行了数学分析,并指出了标准BP算法存在的缺陷,提出利用主成分分析法对BP算法进行改进,极大地提高了BP算法的实用性。     

基于SVD原理的PCA特征频率提取算法及其应用

针对实测转子位移信号存在噪声污染的问题,提出一种基于SVD原理的PCA特征频率提取算法。首先,从理论上推导了PCA与SVD的内在联系,即PCA产生的协方差矩阵特征值等于SVD产生的矩阵奇异值的平方,且PCA产生的特征向量等于SVD产生的左奇异向量;然后,基于上述结论,提出一种基于SVD原理的PCA特征频率提取算法,并通过仿真信号验证了算法的有效性;最后,将该算法应用于大型滑动轴承试验台主轴的轴心轨迹提纯,得到的轴心轨迹清晰、集中,可成功识别转子的不对中及碰磨故障。     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

基于小波变换和PCA分析的人脸识别方法及实现

针对传统的特征脸对光线、角度、尺寸等因素比较敏感的问题,在二次小波变换的基础上,对人脸库进行主成分分析（PCA）,提取特征脸和代数特征,并用BP神经网络对人脸进行识别,该算法充分利用小波变换和神经网络的自适应特性,得到较好的识别效果．     

基于PCA的概率神经网络结构优化

为了改善概率神经网络(PNN)在训练样本数量较大冗余度较高时存在的结构复杂的问题,提出一种基于主成分分析(PCA)的结构优化方法.以概率乘法公式为理论依据,根据训练样本的PCA结果对PNN进行结构优化,并引入学习算法减小PNN的参数不确定性.实验结果表明: 在训练样本数量较大冗余度较高的情况下,优化后的PNN能够使用比传统PNN更简单的网络结构达到相近的结果.     

基于自适应波段聚类PCA的高光谱图像压缩

对高光谱图像进行有效压缩已经成为高光谱遥感领域的研究热点。针对现有高光谱图像压缩算法谱间特性利用不够充分的问题,提出了一种自适应波段聚类PCA(principal component analysis)与JPEG2000相结合的高光谱图像压缩算法。算法采用基于吸引力传播聚类的方法进行自适应波段聚类,对聚类后的各个波段组分别进行PCA运算,最后利用JPEG2000标准对所有主成分进行编码压缩。对高光谱图像进行波段聚类,不仅能更有效地利用谱间相关性,提高压缩性能;还可以降低PCA的运算量。实验结果表明,该算法在相同压缩比下,其信噪比、异常检测、光谱角性能相比对比算法均有所改善。     

基于主成分分析—神经网络的医学图像刚性配准方法(投稿)

医学图像配准在临床诊断和治疗计划中起着重要的作用。应用特征图像的第一主方向提出了自动配准计算机层析术(CT)和磁共振(MR)大脑图像的方法。方案中,先应用主成分分析-神经网络来计算特征图像的第一主方向,然后通过调整特征图像的第一主方向和质心来完成配准问题。此外,还以MR-MR图像配准和CT-MR图像配准为例,对此方法的配准效果进行了简单分析。     

基于迁移学习的卷积神经网络电网故障诊断

电网拓扑结构复杂、分支众多、潮流分布不平衡、故障样本较少且难以获取。为提高配电网的故障诊断准确性,提出将迁移学习的思想与卷积神经网络(convolutional neural networks, CNN)相结合,以此来解决目标域样本不足导致训练效果差的问题,同时利用主成分分析(principal component analysis, PCA)对时序数据进行降维,提升运行速率,形成配电网故障诊断方法。首先对PCA和CNN的结构特点进行分析;然后通过仿真模拟不同的故障条件,生成面向CNN的时序数据。再通过最大均值差异法(MMD)选择出最适合迁移的源域数据,建立源域故障识别的预训练模型。最后使用目标域数据,在预训练模型的基础上进行迁移微调训练,得到故障诊断模型。仿真结果表明,该方法能够在小样本的情况下迅速完成对故障类型的精准预测。     

基于双子空间PCA降维的脑力负荷分类

人类社会至今的飞速发展使得大量体力劳动被机械工程替代,工作者的任务重心也从体力劳动逐渐转变为脑力劳动,对操作者脑力负荷进行实时评估以增强工作效率在当下有着重大意义。目前人类对于脑力负荷评估共有三种方式,有研究表明,采用生物电信号进行脑力负荷分类效果较其余两种方法更客观。但脑电信号经过特征提取后维数极高,所需数据量和运算量巨大,需要对其进行降维。目前降维方面最广泛运用的两种算法为主成分分析（PCA）和线性判别分析（LDA）。针对PCA的非监督性和LDA的特征冗余敏感性,本文提出一种二分类下基于双子空间主成分分析的降维算法,分别对不同类别的训练集数据进行主成分分析,并将所有训练集数据映射到生成的空间中,再次进行PCA-LDA降维,以此提高降维后数据的可分性。实验结果表明,双子空间PCA-LDA降维算法在二分类任务下测试集精度整体高于单子空间PCA-LDA算法,以此为脑力负荷分类领域和高维数据降维领域提供了新思路。     

回归系数的根方型主成分估计

在线性回归模型中，当自变量间存在复共线性时，回归系数的最小二乘估计就失去了它的优良性，而主成分估计和根方估计都具有抗复共线性的特性，本文将二者有机结台，保留它们各自的优点，提出了根方型主成分估计，并证明了当复共线性存在时，根方型主成分估计优于根方估计、主成分估计和最小二乘估计，通过实例分析，说明它具有一定的实用价值。     

基于聚类的PCA和GRNN的CSI指纹定位算法

针对多径效应影响指纹定位算法中定位精度的问题,提出了一种基于聚类的主成分分析(principal compo-nent analysis,PCA)和广义回归神经网络(generalized regression neural network,GRNN)的信道状态信息(channel state information,...     

基于二代Curvelet和PCA变换的遥感影像融合

提出了一种基于二代Curvelet变换和PCA变换的图像融合方法.首先对低分辨率多光谱图像进行PCA变换得到各个主成分,然后对高分辨率图像和低分辨率图像的前三个主分量进行Curvelet变换,并进行系数调整实现融合.最终得到PCA反变换后的融合图像.经实验结果表明,该方法有效,优于传统的融合方法.     

PCA在火箭发动机试车台传感器故障诊断中的应用

为了解决液体火箭发动机在试车过程中氢供应系统的关键传感器的故障诊断问题，该文利用主元分析（PCA）方法为几个重要传感器建立了主元分析模型。在所建立模型的基础上，根据平方预报误差（SPE）对传感器故障敏感的特点利用其进行传感器的故障检测。该文根据一种量化的指标参数——传感器有效度指标（SVI）对故障传感器进行辨识，实现故障分离。一般的基于传感器对SPE贡献率的辨识方法只能进行定性分析，而SVI则将辨识参数量化到0～1之间。更具实用价值。同时，证明了迭代收敛的重构解析表达式，去除了故障传感器数据对重构精度的影响，实现了数据重构。通过仿真实例验证了这种传感器故障诊断及重构方法的有效性．为发动机的正常试车提供了有力的保证。     

矿井涌水水源的主成分分析和BP神经网络判别

为准确判别矿井涌水水源,针对矿井各主要含水层的水化学特征数据样本,利用主成分分析法消除变量中的重复信息,采用BP算法对网络进行训练,实现对随机挑选样本的判别,并与Bayes判别结果进行比较.结果表明：主成分分析与BP神经网络相结合的方法判别涌水水源的正确率为82.35％,优于Bayes判别法.该研究为有效开展矿井防治水工作提供了参考.