基于KPCA的氧碘激光器出光过程监控方法

根据氧碘化学激光器运行过程基本稳定的特点,利用核主元分析(KPCA)方法监控非线性过程的优势,提出了基于KPCA的激光器出光过程监控方法。该方法通过沿时间轴方向展开激光器正常出光的历史数据,建立了激光器出光过程中各时刻的KPCA模型,并在特征空间构建T2统计量和平方预测误差统计量对激光器出光过程进行监控。仿真计算和试验表明,该方法具有可靠的监控性能,能及时、准确地发现激光器出光过程中的异常状态。     

基于核独立成分分析的人脸识别

研究一种基于核独立成分分析的人脸识别方法。利用支持向量机的核函数思想,将原始人脸图像向量映射到高维特征空间,然后在高维特征空间中进行独立成分分析(ICA),提取非线性独立成分作为特征向量进行分类识别。实验结果表明该方法要比常规的基于ICA和PCA的人脸识别算法的识别率要高。     

基于广义判别分析的光谱分类

提出了基于广义判别分析(generalized discriminant analysis, GDA)方法对恒星(Star)、星系(Galaxy)和类星体(Quasars)的光谱进行分类。广义判别分析将核技巧与Fisher判别分析结合起来,通过非线性映射将样本集映射到高维特征空间F,在F空间中进行线性判别分析。实验对比了LDA, GDA, PCA, KPCA算法对于恒星、星系和类星体的光谱分类性能。结果表明基于GDA的算法对于这3种类型光谱的分类正确率最高,LDA次之;尽管KPCA也是一种基于核的方法,但是选择主成分个数较少时效果较差,甚至低于LDA;基于PCA的分类效果最差。     

组织热凝固程度无损监控的光学断层成像研究

提出了利用光学断层成像技术对组织热凝固程度进行无损在位监控的方法。在重建算法上采用不需要计算雅可比(Jacobian)矩阵的非线性多参数优化方法,采用了基于N进制分部编码的遗传算法作为优化策略,可以有效提高成像速度,克服计算雅克比矩阵带来的误差。采用简化的感兴趣区热疗模型,该模型最大程度的减小了对精度的影响。通过蛋白质凝固的实时监控实验,对监控方法进行了验证,给出了相应的监测结果,并从曲线、重建图像的临床意义等方面进行了分析。结果证明论文实现了通过约化散射系数对生物组织局部热凝固治疗过程无损实时监测的目的。     

采用多项式递归核的高光谱遥感异常实时检测算法

高光谱遥感目标检测是遥感信号处理领域的热点问题,基于核机器学习的KRX算法能充分利用高光谱波段间的非线性光谱特性,在原始光谱的特征空间进行探测,能够获得较好的检测效果。针对KRX算法检测过程计算复杂、不能满足快速处理要求的缺陷,引入了卡尔曼滤波器的递归思想,提出了一种核递归的高光谱异常目标检测算法。从光谱分析的角度,应用Woodbury引理从上一时刻的状态迭代更新当前像元的Gram核矩阵,避免了高维矩阵数据重复计算。实验结果表明,与传统RX、因果RX和KRX等算法相比,在检测精度有所提高的同时,大大缩短了算法检测时间,提高了异常目标检测效率。     

KPCA-聚类分析法和用便携式拉曼仪快速鉴别降糖药

对不同种类的降糖药片进行拉曼光谱的核主成分分析(KPCA)-聚类分析,实现快速、简便的鉴别。KPCA可以有效地避免主成分分析(PCA)只能处理线性问题和降维效果不明显的弊端。它通过一个非线性变换,首先将原变量空间映射到高维特征空间,然后在这个高维特征空间中进行线性主成分分析。采集得到的药片拉曼光谱的KPCA-聚类分析结果表明,采用KPCA提取特征变量的聚类结果比采用PCA提取特征变量后进行聚类分析的效果好,并且未经刮除表面包膜的降糖药片识别准确率为96.5%,经过刮除表面包膜处理的降糖药片的识别准确率为100%。便携式拉曼光谱仪结合该方法以其检测速度快、准确率高、使用简便、无样品前处理等显著优势,为药品的快速检验技术提供一种新的有效的鉴别手段。     

基于残差矩阵估计的稀疏表示目标跟踪算法

基于稀疏表示的目标跟踪算法多数利用稀疏系数计算目标位置信息,而忽略了稀疏表示过程中的残差所包含的信息.因此,本文设计了一种基于残差矩阵估计的跟踪模型.该模型在粒子滤波的框架下利用L_1范数分别约束稀疏表示系数与残差矩阵,并且利用L_2范数建立残差矩阵与观测模型之间的联系.本文给出了相应求解模型的表示系数与残差矩阵的迭代算法,并利用残差矩阵更新模板字典.相比应用稀疏系数的跟踪算法,本文算法考虑了残差矩阵对跟踪结果的影响,使得算法对于候选目标的评估更加精确,同时在模板更新部分引入残差矩阵,使得字典能够更好地描述目标的变化.实验数据表明,本文算法优于现今主流算法.     

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE (φ×10－60较仅用SVR模型预测的RMSE (φ×10－6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。     

一种三维矩阵的奇异值分解算法

提出了一种三维矩阵的奇异值分解算法,该法适合处理具有三维矩阵数据的模式识别和分类模型等领域实际问题,该算法与二维矩阵奇异值分解算法类似,通过求解约束条件极值问题获得,该算法与已有的三线性分解算法比较,相对简单,计算速度快,适合处理数据量大的实际问题,该算法也很容易推广到更高维阵列的光谱数据。     

从单个混合时间的2D NOESY峰强度矩阵求取核间距

提出了从单个混合时间的2D NOESY峰强度或混合系数矩阵直接求取核间距的新方法。该方法分成二步进行。第一步采用规范化2D NOESY峰强度或对称化混合系数矩阵来计算对称化核交叉弛豫速率矩阵。其优点是计算过程简单且普适。第二步直接用对称化核交叉弛豫速率来求取核间距。该过程考虑到分子内部运动的贡献。本文方法是自治的,只要能测出单个混合时间的2D NOESY峰强度或混合系数矩阵即可直接求出自旋系统的核间距了。     

基于混合概率核主成分二次相关红外目标检测

在主成分特征提取基础上,提出了一种把子空间二次综合判别函数（Subspace Quadratic Dynthetic Discriminant Function,SSQSDF）作为相关滤波器的红外目标检测算法.该算法把混合概率核主成分分析推广到混合概率模型,在核空间对样本进行特征提取,获取目标样本的低维主特征向量.对训练和待检测样本向主特征向量投影获得它们的低维特征分量,并把获取的特征量作为SSQSDF的样本参量.最后,SSQSDF滤波器输出大于给定阈值所对应的检测区域,将其作为检测目标.实验证明,该算法能较强抑制目标背景噪音,提高目标检测准确度,具有一定的可行性和有效性.     

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%。     

Multivariate data analysis for Raman spectroscopic imaging

This article reviews the analytic techniques for Raman spectroscopic imaging with emphasis on chemometrics. Key information included in Raman spectra is often distributed broadly throughout the dataset. It is possible to condense the information into a very compact matrix representation by a chemometric technique of factor analysis such as principal component analysis (PCA) or self‐modeling curve resolution (SMCR). PCA yields two matrices called scores and loadings which complementarily represent the entire features broadly distributed in the dataset. This concept can be further extended to other forms of data transformation schemes, including bilinear data decomposition based on SMCR analysis. SMCR offers a firmer model which is chemically or physically interpretable. The information derived from these techniques readily brings useful insight into building a mechanistic model for understanding complex phenomena studied by Raman spectroscopy. Illustrative examples are given for applications of both PCA and SMCR to Raman imaging of pharmaceutical tablets. Copyright © 2009 John Wiley & Sons, Ltd.     

基于主成分分析和支持向量机的太赫兹光谱冰片鉴别

利用主成分分析方法结合支持向量机建立了太赫兹时域光谱冰片种类鉴别模型。冰片是一些常用中成药的重要成分,由于其来源多、真假易混淆,在制药和交易环节,迫切需要快速、简便、准确的检测、鉴别方法。太赫兹时域光谱技术是利用太赫兹脉冲表征物质性质的一种新兴光谱技术。实验使用透射式太赫兹时域光谱系统分别获得了艾片、合成冰片和梅片三种冰片在0.2～2 THz之间的吸收谱线。通过主成分分析,做出了第一、第二主成分二维得分图以及第一、二、三主成分三维得分图,两者对三种不同种类冰片都具有很好的聚类效果。用前十个主成分的得分值矩阵代替原光谱数据,通过对三种冰片的60组样本训练,对未知的60组样本鉴别,建立了四种不同核函数的支持向量机模型。对比结果表明,径向基核函数构建的支持向量机对三种冰片的分类鉴别准确率均为100%,由此我们确定选择具有径向基核函数的支持向量机建立冰片种类的鉴别模型。此外,在含噪情况下,四种核函数SVM获得的总分类准确率都在85%以上,说明支持向量机具有很强的泛化能力。主成分分析结合支持向量机方法对冰片太赫兹光谱具有很好的分类和鉴别效果,为冰片等中成药剂的种类鉴别提供了一种新思路。     

基于局部保持投影的掌纹识别

为了保持掌纹空间的局部结构,运用局部保持投影(LPP)方法进行掌纹识别.在小样本图像识别中,特征方程矩阵存在奇异性.传统的解决方法是运用主元分析(PCA)获得原样本的低维特征子空间,在该空间中运用LPP进行特征提取.由于PCA和LPP的投影标准本质上是不同的,PCA降维时丢失许多重要的判别信息.为了解决这个问题,提出运用三级小波变换、图像下抽样、图像分块求平均值三种方法降低掌纹空间的维数,在低维图像上应用LPP提取局部特征.计算特征矢量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库进行测试,结果表明,该算法的识别性能均优于PCA和PCA LPP.特征提取和匹配总时间小于0.1 S,具有快速、有效、易于实现等优点.     

Kernel principal component analysis for stochastic input model generation

Stochastic analysis of random heterogeneous media provides useful information only if realistic input models of the material property variations are used. These input models are often constructed from a set of experimental samples of the underlying random field. To this end, the Karhunen–Loève (K–L) expansion, also known as principal component analysis (PCA), is the most popular model reduction method due to its uniform mean-square convergence. However, it only projects the samples onto an optimal linear subspace, which results in an unreasonable representation of the original data if they are non-linearly related to each other. In other words, it only preserves the first-order (mean) and second-order statistics (covariance) of a random field, which is insufficient for reproducing complex structures. This paper applies kernel principal component analysis (KPCA) to construct a reduced-order stochastic input model for the material property variation in heterogeneous media. KPCA can be considered as a nonlinear version of PCA. Through use of kernel functions, KPCA further enables the preservation of higher-order statistics of the random field, instead of just two-point statistics as in the standard Karhunen–Loève (K–L) expansion. Thus, this method can model non-Gaussian, non-stationary random fields. In this work, we also propose a new approach to solve the pre-image problem involved in KPCA. In addition, polynomial chaos (PC) expansion is used to represent the random coefficients in KPCA which provides a parametric stochastic input model. Thus, realizations, which are statistically consistent with the experimental data, can be generated in an efficient way. We showcase the methodology by constructing a low-dimensional stochastic input model to represent channelized permeability in porous media.     

CLUSTER AND PRINCIPAL COMPONENT ANALYSIS OF THE SOLVENT EFFECTS ON THE C˭O STRETCHING FREQUENCY OF ACETOPHENONE

The solvatochromic shift of the C?O stretching frequency of acetophenone is studied by cluster (CA) and principal component analysis (PCA) confirming our previous results about the determining contributions to the polarity, polarizability, and electrophilicity of the medium on this effect. It is shown that the used combination of Varimax mode of PCA and multiple regression (apportioning modeling) makes it possible to obtain absolute principal component scores (APCS), which include the solvent parameters describing definite solute–solvent interactions. The adequateness of the suggested chemometric model is checked by “reverse” CA of 25 solvents as objects with respect to the APCS calculated.     

复杂环境下运动目标偏振成像检测方法研究

针对低对比度、低信噪比等复杂环境下运动目标检测失检率较高的问题,提出了基于稳定性主成分寻踪的运动目标偏振成像检测方法。首先将预处理后的连续帧偏振图像组合成一个矩阵,依据帧间图像信息相关性,建立了稳定性主成分寻踪数学模型,将该矩阵分解成低秩、稀疏,噪声三部分,其中稀疏矩阵包含了帧间目标信息;再以低秩矩阵核范数与稀疏矩阵1范数的和为目标函数,利用增广拉格朗日乘子法求得目标函数值最小时的稀疏矩阵;最后采用马尔科夫随机场滤除稀疏矩阵中的噪声。实验结果表明,该方法对复杂环境有很好的适应能力,且检测准确率优于其他算法。