基于径向基神经网络的太阳能电池缺陷检测

为了检测太阳能电池的缺陷,建立了太阳能电池板的电致发光(EL)图像与其缺陷类型间的神经网络预测模型,可以对太阳能电池板不同类型缺陷进行自适应检测。首先,采用主成分分量分析(PCA)算法对电致发光(EL)图像训练样本集降维;然后,将降维后得到的数据输入神经网络预测模型进行学习,对模型的参数进行优化选取;最后,将训练好的网络对测试样本集进行仿真。仿真结果表明:在采用相同的训练样本集和测试样本集条件下,与反向传播神经网络(BPNN)相比,径向基神经网络(RBFNN)具有全局最优特性,结构简单,最高识别率达96.25%,计算时间较短,能满足在线检测的要求。     

基于主分量分析法的小波域三维目标序列图像隐藏技术

针对在一幅载体图像中隐藏三维目标序列图像的问题,本文利用主分量分析法获取三维目标的本征图像,将本征图像的小波域系数嵌入到载体图像的小波域系数中,利用分解系数和提取得到的本征图像重构出三维目标的系列图像.本文所提出的方法不是直接存储目标图像,而是存储能够反映三维目标特征的一组本征图像.研究结果表明,该方法有效地将三维目标的特征隐藏在了载体图像中,隐藏信息量大. 关键词： 信息隐藏 三维目标 主分量分析 小波变换     

卷积神经网络用于近红外光谱古筝面板木材分级

目前,我国乐器制作行业在古筝面板用木材等级的筛选上主要依赖于技师主观评判,但此法缺少科学理论的依据,效率低,客观性及出材率的提高等方面受到限制,无法满足乐器市场的大量需求。实现古筝面板用木材快速、智能化的分级工作是一个急需解决的课题。近红外光谱非常适用于测量含氢的有机物质。古筝面板木材主要化学成分的化学键均由含氢基团组成,不同等级板材的化学成分存在差异,这些差异反映在近红外光谱中,为判断木材等级提供了可能。同时卷积神经网络对非线性数据具有较强的特征提取能力,所以提出一种应用卷积神经网络模型对光谱数据进行分析的方法,进而判别木材的等级。应用了Savitzky Golay一阶、二阶微分两种预处理方法和核主成分分析、连续投影算法两种数据压缩方法,通过所设计的卷积神经网络模型以样本识别准确率和模型构建过程中的损失值作为判定指标选出最佳预处理和数据压缩方法。为了提高模型提取分析光谱数据的能力和避免过拟合现象,应用了多通道卷积核、批量归一化和early stopping策略,将通过两层卷积层提取的特征信息送入全连接层,从而充分提取剩余信息,通过Softmax函数获得板材的最终预测等级,从而确定了最终模型。最终Savitzky Golay一阶微分和核主成分分析为最佳数据处理方法,同时得出用于区分不同等级的古筝面板用木材的主要关键谱带,分别为1 163~1 243, 1 346~1 375和1 525~1 584 nm。将该模型应用于测试集样本,古筝面板用木材的等级识别准确率为95.5%。实验结果表明所提出的方法可以高效地处理光谱数据,有效识别区分不同等级的古筝面板用木材的关键特征,从而为广阔的乐器市场提供一定的技术支持。     

基于人眼视觉特性的光谱降维模型研究

针对传统光谱降维方法其降维重构后的光谱数据仅是对原始光谱的数学逼近,会出现光谱误差较小但颜色色差较大的缺点,创新性的提出三种将人眼视觉特性与光谱降维相结合的方法。其中,VPCA法直接将光谱光视效率函数加权到原始光谱上再进行降维,LMSPCA方法用LMS视稚响应构建加权矩阵对原始光谱加权后再进行降维,在LMSPCA法中加权矩阵的构建有两种方式,其主要区别在于视稚响应偏差的求取方式不同。方式一中,L,M,S视稚响应偏差是各对应波长上的偏差取绝对值,而方式二中,其偏差是各对应波长上的偏差平方。LMSPCAs法在LMSPCA法基础上再采用PCA(主成分分析)方法对损失的光谱进行降维。实验结果表明VPCA法降维效果较差,LMSPCA法的两种加权矩阵降维效果接近,皆可显著提高降维模型的色度精度,但会降低模型的光谱精度,LMSPCAs法由于针对LMSPCA法因光谱加权引起的光谱损失再进行光谱补偿,其在光谱精度、色度精度以及变光照条件下的色差稳定性这三个方面都能较好地表征原始高维光谱反射率,满足光谱颜色复制的要求。     

人工神经网络法测定五组分红外光谱体系

介绍了人工神经网络在非线性多组分校准中的应用,所用三层神经网络由反向传播算法来训练。采用大量模拟数据训练神经网络,得到了一系列优化参数,选择红外谱图严重重叠的五种大气有机毒物作为多组分体系,相对标准误差（ＲＳＤ％）、百分标准预测误差（ＳＥＰ％）和百分标准误差（ＳＥＣ％）被用于衡量神经网络的性能。     

基于视感知特征的多光谱高保真降维方法研究

为解决多光谱数据在降维压缩过程中的颜色精度保持问题,提出一种基于人眼视觉感知特征的多光谱数据高保真降维压缩方法(VPCM)。研究首先依据人眼视觉响应的非线性解析特征,成功构建了同时综合人眼光谱特征与色度特征的变换函数,并通过进一步构造的优化函数对其进行修正,以针对不同的样本集找到最佳变换方向,而后利用修正后的视觉特征变换函数对光谱样本集进行空间变换(Γ(S)=C),然后利用主成分分析方法对经视觉特征函数变换后样本集光谱数据进行降维压缩处理,并通过逆变换重构出样本集光谱数据(Γ-1(C)=^S),进行降维评价。实验选取四类具有典型代表性的数据集作为测试样本,分别以D50/2°条件下的CIELab色差和75组典型照明光源(钨丝灯、荧光灯和LED灯)下的平均同色异谱指数(MMI)作为色度主要评价指标,同时对比了Lab-PQR和2-XYZ两种较为先进的光谱降维算法。实验结果为VPCM方法的MMI值最小,其次是LabPQR,而2-XYZ的表现较差;VPCM方法在75组光源下对四组样本集的平均重构色差ΔEab也为最小,且最大样本平均色差及方差均要小于其他两种方法;VPCM方法的重构光谱精度介于Lab-PQR和2-XYZ之间,Lab-PQR的重构光谱精度最高。实验结果显示新方法色度压缩精度整体优于对比的两种方法,在变换参考条件下具有良好的色差稳定性,能够较好的应用于多光谱数据色度高保真压缩。     

基于可见光-近红外光谱的煤岩识别方法实验研究

以淮南矿区谢桥矿和潘二矿的煤和岩石样本为研究对象,通过地物光谱仪采集样本反射率光谱曲线,同时检测样本氧化物含量、水分、灰分及挥发分含量,将样本的反射率光谱曲线和样本成分含量分别作为自变量,样本类别“煤”和“岩石”两种矿物类型作为因变量,建立煤和岩石识别模型对煤和岩石进行二分类。该研究主要采用三种模型,分别为主成分分析结合支持向量机(PCA-SVM)、主成分分析结合BP神经网络(PCA-BP)模型和核主成分分析结合支持向量机(KPCA-SVM)模型。结果表明,基于可见光近红外光谱的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为95.5%,验证平均精度约为90.56%;基于样本成分的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为98.5%,验证平均精度约为95%。     

Multi-focus image fusion based on robust principal component analysis and pulse-coupled neural network

Multi-focus image fusion combines multiple source images with different focus points into one image, so that the resulting image appears all in-focus. In order to improve the accuracy of focused region detection and fusion quality, a novel multi-focus image fusion scheme based on robust principal component analysis (RPCA) and pulse-coupled neural network (PCNN) is proposed. In this method, registered source images are decomposed into principal component matrices and sparse matrices with RPCA decomposition. The local sparse features computed from the sparse matrix construct a composite feature space to represent the important information from the source images, which become inputs to PCNN to motivate the PCNN neurons. The focused regions of the source images are detected by the firing maps of PCNN and are integrated to construct the final, fused image. Experimental results demonstrate that the superiority of the proposed scheme over existing methods and highlight the expediency and suitability of the proposed method.     

基于主成分分析的自组织竞争神经网络在多光谱遥感影像分类中的应用

多光谱遥感影像具有波段多、信息量大的特点,传统的分类方法难以达到提高精度的要求.利用主成分分析对多波段遥感图像进行降维,再采用竞争型自组织神经网络对图像进行非监督分类.这种方法的分类精度为87.5%,Kappa系数为0.86,明显高于最大似然法,最小距离法和基于像元的自组织竞争神经网络法.实验结果表明该方法在多光谱遥感影像分类中具有较好的适用性.     

Nonparametric subspace analysis fused to 2DPCA for face recognition

Two-dimensional principal component analysis (2DPCA) is one of the representative techniques for image representation and recognition. However, keen storage requirements and computational complexity consist in 2DPCA. Meanwhile, the performance of 2DPCA is delicate in illumination variations. Nonparametric subspace analysis (NSA) is a subspace learning method that can reduce dimensionality and identify local information for discrimination, so that it can make 2DPCA perform well in illumination. Motivated by above facts, 2DPCA fused with NSA is implemented for face recognition, which can reduce dimensions of the 2DPCA feature vectors and enhance the contribution of principal components to face recognition. Experiments carried out on ORL, Yale B, and FERET facial databases show that valid recognition rates can be achieved by the proposed method compared to 2DPCA, 2DPCA plus PCA, LDA methods and demonstrate promising abilities against illumination variations.     

GA-BP神经网络结合PCA的多基色颜色预测模型

颜色分区法是简化多基色颜色复制的主要方法,本研究以3基色为组将7基色色空间分成6个子空间,结合主成分分析(PCA)对分区内颜色样本的光谱反射率降维,通过3层BP神经网络,建立样本网点面积率与多基色复制色光谱反射率的转换模型,并通过遗传算法(GA)对神经网络权值阈值进行优化,提高多基色复制的颜色预测精度.实验结果表明,在各分区训练样本数为64、检测样本数为216时,GA-BP神经网络模型颜色预测的平均色差(△Eab*)为1.669,光谱均方根误差(RMSE)为0.7％,预测精度和稳定性均高于BP神经网络模型和胞元Neugebauer模型.最后,将训练样本数为64的GA-BP模型与训练样本数量为125,216,343的BP神经网络模型(平均△Eab*分别为3.267,2.776,2.175,光谱RMSE为0.97％,0.79％,0.76％)进行了比较,结果表明训练样本数为64的GA-BP模型的预测精度与训练样本数量为343的BP神经网络模型相当.GA-BP模型仅需少量样本即可实现高精度的颜色预测,在应用中具有良好的可移植性.     

Interpretation of FTIR Spectra by Principal Components–Artificial Neural Networks

In order to improve the training speed and increase the predictive ability of artificial neural networks, principal component analysis (PCA) and partial least squares (PLS) were introduced to compress the original data. The principal components (PCs) of FTIR spectroscopic data matrix were obtained by PCA and PLS methods respectively, which were used as the inputs of neural networks. Results indicated that improvement was achieved in three aspects when the PCs instead of the original data were input to the networks. First, iterations were distinctly decreased from 8000 to less than 10. Second, computation time was shortened from 34.95 s to less than 1 s. Third, standard error of prediction (%SEP), mean relative error (MRE), and the root mean square error of prediction (RMSEP) decreased by 35% for the singular value decomposition–artificial neural network (SVD‐ANN) and 80% for the nonlinear iterative partial least squares–ANN (NIPALS‐ANN) or so, which means that the predictive ability was improved significantly. In addition, F‐test was introduced to compare the performance of PCA and PLS for compression of original data, and it was shown that the latter model was more efficient. The presented methodologies of variable selection provide a simple and rapid technique for ANN to interpret FTIR spectra accurately and are advantageous to the widespread use of artificial neural networks.     

可拓神经网络模式识别对成品油的鉴别与测量

燃油存在“消耗量大”、“相对低质”、“前端缺少清洁”、“末端排放缺乏控制”四大问题, 我国的空气污染60%以上来自煤和油的燃烧,雾霾问题很大程度上取决于能源问题。快速准确地实现汽油、柴油、煤油等成品油的鉴别与测量,对于实施空气污染监测及治理具有重要意义。在精确地表征成品油种类信息的基础上,为了提高网络模型的识别效率,采用主成分分析方法将高维空间进行降维处理。对最常用的三维荧光光谱基于激发-发射矩阵(excitation-emission matrix, EEM)数据进行主成分分析以提取更精细、更深层的特征参量。分类过程中应用交叉验证的方法避免发生“过拟合”现象。设计鉴别和测量双重处理的神经网络,将神经网络模式识别结果反馈到浓度网络的输入端,与相对斜率、综合本底参数、相对荧光强度一起测量相应种类的浓度输出,利用可拓神经网络模式识别技术实现成品油的鉴别与测量。应用可拓神经网络方法实现成品油种类模式识别的平均识别率达到0.99,浓度平均回收率为0.95。模式识别平均耗时为2.5 s,仅为PARAFAC模型分析方法的48.5%。该方法显著提高了运算速度,且应用效果理想。需要指出的是,在分析诸如成品油、茶叶、农药等成分复杂的混合物时,应针对具体待测物制作相应的校正样本,用以确保分析的准确性与精度。     

基于太赫兹时域光谱技术与PCA-BPN网络的转基因大豆鉴别

基于太赫兹波段内的光谱分析技术以及主成分特性分析与反向前馈神经网络建模,提出了一种转基因大豆鉴别方法.从光谱数据中提取累计方差贡献率达到97.582％的前8种主成分因子,并将其作为输入源导入神经网络模型,通过剔除冗余数据、降低数据维数,所建立的神经网络模型能准确识别校验集.该方法可以实现转基因大豆的快速、无损检测,在农业安全领域有广泛的应用前景.     

基于PCA-BP神经网络的EDXRF分析测定地质样品中铁、钛元素含量的应用研究

为实现地质样品中元素含量的准确预测,提出了基于主成分分析(PCA)的改进型BP神经网络模型。采用X荧光光谱法,对新疆西天山地质样品中Fe,Ti,V,Pb和Zn等元素进行测量,将得到的X荧光计数作为输入变量,应用该模型对未知地质样品中Fe和Ti元素进行定量预测。结果表明：主成分分析与改进型BP神经网络模型取得了较好的预测效果,预测结果与化学分析值的相对误差小于3%,为地质样品元素含量预测提供了一种新型有效的方法。     

基于可见-近红外光谱比较主成分回归、偏最小二乘回归和反向传播神经网络对土壤氮的预测研究

建模方法是影响可见-近红外光谱定量结果的主要因素之一。在470～1000nm波段的12个土壤剖面对48个剖面样经过风干、研磨、过筛后进行光谱采集。经一阶微分变换及Savizky-Golay平滑处理后,分别应用主成分回归(PCR)、偏最小二乘回归(PLSR)和反向传播神经网络(BPNN)3种方法建立土壤全氮(TN)的定量模型。PCR与PLSR两线性模型的决定系数(R2)分别为0.74和0.8,其剩余预测偏差(RPD)分别为2.23和2.22,但两模型仅能用于TN的粗略估计。由PCR提供主成分数,PLSR提供潜变量(LV)数分别作为BPNN的输入所构建的两个非线性模型均明显优于线性模型PCR和PLSR。其中以4个LV作为输入的BPNN-LV模型预测性能最优,R2以及RPD分别达到0.9和3.11。实验结果表明,提取可见-近红外光谱的PLSR LV因子作为BPNN的输入,所建定量模型可用于土壤氮纵向时空分布的快速准确预测。     

基于主成分分析和径向基网络的水稻胡麻斑病严重度估测

对植被病害严重度的精确预测是采取植保措施的关键,同时对减少农药使用量也具有积极意义。该研究首先对叶片光谱反射数据进行重采样和求一阶、二阶微分,再用主成分分析PCA技术对上述变换光谱进行分析,最后结合径向基函数神经网络RBFN对水稻胡麻叶斑病严重度进行预测。将全部的光谱数据和病害严重度分为两组,75％用于网络训练,25％用作网络性能测试。文中对预测结果准确性有重要影响的径向基函数扩展速率和不同的数据处理方法进行了讨论,研究发现,一阶微分光谱经PCA压缩后,获得主分量光谱,输入RBN,病害严重度的预测均方根误差仅有7.73％。表明：主成分分析和径向基函数神经网络（PCA-RBFN）相结合,可以对水稻胡麻斑病严重度进行快速、精确的估算。     

Sub-leading flow modes in PbPb collisions at sNN = 2.76 TeV from the HYDJET++ model

Recent LHC results on the appearance of sub-leading flow modes in PbPb collisions at 2.76 TeV, related to initial-state fluctuations, are analyzed and interpreted within the HYDJET++ model. Using the newly introduced Principal Component Analysis (PCA) method applied to two-particle azimuthal correlations extracted from the model calculations, the leading and sub-leading flow modes are studied as a function of the transverse momentum (p_T) over a wide centrality range. The leading modes of the elliptic (v₂⁽¹⁾) and triangular (v₃⁽¹⁾) flow calculated with the HYDJET++ model reproduce rather well the v₂{2} and v₃{2} coefficients measured experimentally using the two-particle correlations. Within the p_T ≤ 3 GeV/c range, where hydrodynamics dominates, the sub-leading flow effects are greatest at the highest p_T of around 3 GeV/c. The sub-leading elliptic flow mode (v₂⁽²⁾), which corresponds to the n = 2 harmonic, has a small non-zero value and slowly increases from central to peripheral collisions, while the sub-leading triangular flow mode (v₃⁽²⁾), which corresponds to the n = 3 harmonic, is even smaller and does not depend on centrality. For n = 2, the relative magnitude of the effect measured with respect to the leading flow mode shows a shallow minimum for semi-central collisions and increases for very central and for peripheral collisions. For the n = 3 case, there is no centrality dependence. The sub-leading flow mode results obtained from the HYDJET++ model are in rather good agreement with the experimental measurements of the CMS Collaboration.