一种用于PCA与MCA的神经网络学习算法

主元分析（ＰＣＡ）和次元分析（ＭＣＡ）是用于特征提取、数据压缩、频率估计、曲线拟合等信号处理的基本技术，以神经网络来实现ＰＣＡ和ＭＣＡ是当今研究的一大热点，相关矩阵Ｒ的特征值重数不为１时的主、次元分析则是其中一大难题，本文提出了一种新的学习算法，使得在输入数据的相关矩阵含多重特征值时，网络权重矢量亦收敛于相关矩阵的单位正交特征矢量。     

印制线路板EMC及CAE基本原理

文章概述了印制线路板产品（ＰＣＢ）的计算机辅助仿真系统（ＣＡＥ）的理论计算基础方法──有限元法（ＦＥＭ），以及如何运用于ＰＣＢ的建模和仿真，并籍此设计出符合有关电磁兼容（ＥＭＣ）规则的ＰＣＢ电子产品。     

无线局域网MAC标准

８０２１１为无线局域网标准，其物理层的无线媒体决定了它与现有的有线局域网（ＬＡＮ）的媒体访问控制（ＭＡＣ）层不同，具有独特的媒体访问控制机制，各站以载波侦听多路访问／碰撞避免（ＣＳＭＡ／ＣＡ）的方式共享无线媒体。本文结合具体设计研制过程，介绍ＭＡＣ的分布式协调功能（ＤＣＦ）和点协调功能（ＰＣＦ）、及ＭＡＣ帧格式等。     

InAs／InP_（0．7）Sb_（0．3）热电子晶体管的电流增益及最高收集极电压

分析ＩｎＡｓ／ＩｎＰ（０．７）Ｓｂ（０．３）热电子晶体管的电流增益β及最高收集极电压Ｖ（ＣＭ）。计算结果表明，β超过２０，Ｖ（ＣＭ）接近１．５Ｖ。     

WINDOWS下VB5.0通信的二种方式

介绍在Ｗｉｎｄｏｗｓ９．ｘ下用ＶＢ５．０的串行通信控件（ＭＳＣＯＭＭ．ＯＣＸ）和应用编程接口（ＡＰＩ）来实现通讯功能。     

16kbpsCVSD与64kbpsPCM编码数字转换算法

本文提出了１６ｋｂｐｓ连续可变斜率增量调制（ＳＶＳＤ）与６４ｋｂｐｓＡ律ＰＣＭ编码数字转换臬法，在无传输误码情况下，采用该转换算法，（１）从ＣＶＳＤ转换到ＰＣＭ时，同直接ＣＶＳＤ编码相比，分段信噪比（ＳＮＲＳＥＧ）恶化小于０．１ｄＢ，信噪比（ＳＮＲ）恶化小于０．０１ｄＢ，多次转换（转换次数≥２）时ＳＮＲ和ＳＮＲＳＥＧ保持不变，即无误差积累；（２）从ＰＣＭ转换到ＣＶＳＤ时，同直接ＣＶＳＤ编码相比，Ｓ     

16kbpsCVSD与64kbpsPCM编码数字转换算法

本文提出了１６ｋｂｐｓ连续可变斜率增量调制（ＳＶＳＤ）与６４ｋｂｐｓＡ律ＰＣＭ编码数字转换臬法，在无传输误码情况下，采用该转换算法，（１）从ＣＶＳＤ转换到ＰＣＭ时，同直接ＣＶＳＤ编码相比，分段信噪比（ＳＮＲＳＥＧ）恶化小于０．１ｄＢ，信噪比（ＳＮＲ）恶化小于０．０１ｄＢ，多次转换（转换次数≥２）时ＳＮＲ和ＳＮＲＳＥＧ保持不变，即无误差积累；（２）从ＰＣＭ转换到ＣＶＳＤ时，同直接ＣＶＳＤ编码相比，Ｓ     

M30MSC/VLR

Ｍ３０ＭＳＣ／ＶＬＲ随着全球移动通信的发展以及ＣＤＭＡ移动通信技术的成熟和投入商用，ＣＤＭＡ逐渐成为移动通信和个人通信（ＰＣＳ）的实现方式．ＣＤＭＡ以其容量大，话音质量高、保密性好、成本低等优点，在数字蜂窝系统中将逐渐占据主导地位．ＭＢ３０系统是８０...     

基于环形结构的联想记忆网络

本文针对ＢＡＭ和ＴＡＭ网络处理数据串联想时的困难和不足，提出了一种基于环形结构的联想记忆网络，称为环形联想记忆网络（ＣＡＭ），给出了网络的拓扑结构和网络的三种基本联想模式，讨论了存储网络连接权所需要的存储量，并与ＢＡＭ和ＴＡＭ联想记忆网络进行了比较，最后给出了实验研究的结果。     

宽带ISDN与ATM交换技术 第四讲 B－ISDN中的业务量控制

本文介绍了Ｂ－ＩＳＤＮ中业务量控制的原理和方法，讨论了连接／呼叫接纳控制（ＣＡＣ）和用法／网络参数控制（ＵＰＣ／ＮＰＣ）两个最基本的业务量控制功能，并对网络拥塞控制、业务量成形、优先级控制和快速资源管理等附加的控制功能作了简要的叙述。     

基于信号稀疏表示的形态成分分析: 进展和展望

 有效的信号和图像分解(分离)技术在信号和图像的分析、增强、压缩、复原等领域起着重要的作用.虽然目前研究者提出了很多方法来解决这个问题,然而处理效果并不完美.形态成分分析(Morphological Component Analysis,MCA)是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法.该方法的主要思想是利用信号组成成分的形态差异性(可以由不同的字典稀疏表示)进行分离.本文详细描述了形态成分分析方法的理论思想,并介绍了形态成分分析的最新研究进展及其存在的问题,最后指出了进一步发展的方向.     

一种新的基于能量检测的突发信号存在性检测算法

本文首先推导了复高斯白噪声信道中未知噪声方差时基于短时能量的突发信号检测算法检测概率和虚检概率的表达式.为了进一步提高检测速度,又提出了一种基于主分量分析的短时能量检测算法,能够用较少的观测数据获得与原算法相当的检测结果,在不同信噪比下对不同调制类型的突发信号进行了仿真,验证了算法的可行性和有效性.     

FUZZY PRINCIPAL COMPONENT ANALYSIS AND ITS KERNEL- BASED MODEL

Principal Component Analysis(PCA)is one of the most important feature extraction methods,and Kernel Principal Component Analysis(KPCA)is a nonlinear extension of PCA based on kernel methods.In real world,each input data may not be fully assigned to one class and it may partially belong to other classes.Based on the theory of fuzzy sets,this paper presents Fuzzy Principal Component Analysis(FPCA)and its nonlinear extension model,i.e.,Kernel-based Fuzzy Principal Component Analysis(KFPCA).The experimental results indicate that the proposed algorithms have good performances.     

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。     

多指标混合逐次投影高光谱图像降维算法

降维对于高光谱图像解译具有重要意义。基于二阶统计量分析的经典主成分分析方法在降维过程中会丢失小目标信号。为解决这一问题,本文中引入高阶统计量作为投影指标对主成分分析方法进行拓展,提出了一种基于不同统计量描述的混合逐次投影的高光谱图像降维算法。该方法在保持主成分分析优点的同时,有效结合了非正交向量投影的特点,可以在降维后的低维空间中保留异常信号成分。真实高光谱图像数据的实验结果证明,该方法相对于主成分分析可以提取更加完整的低维信号子空间。     

Active Shape Model of Combining Pca and Ica： Application to Facial Feature Extraction

Active Shape Model （ASM） is a powerful statistical tool to extract the facial features of a face image under frontal view. It mainly relies on Principle Component Analysis （PCA） to statistically model the variability in the training set of example shapes. Independent Component Analysis （ICA） has been proven to be more efficient to extract face features than PCA. In this paper, we combine the PCA and ICA by the consecutive strategy to form a novel ASM. Firstly, an initial model, which shows the global shape variability in the training set, is generated by the PCA-based ASM. And then, the final shape model, which contains more local characters, is established by the ICA-based ASM. Experimental results verify that the accuracy of facial feature extraction is statistically significantly improved by applying the ICA modes after the PCA modes.     

Discriminant Independent Component Analysis as a subspace representation

Subspace modeling plays an important role in face recognition. Independent Component Analysis （ICA）, a multivariable statistical analysis technique, can be seen as an extension of traditional Principal Com- ponent Analysis （PCA） technique, which addresses high order statistics as well as second order statistics. In this paper, a new scheme of subspace-based representation called Discriminant Independent Component Analysis （DICA） is proposed, which combines the strength＂ of unsupervised learning of ICA and supcrvised learning of Linear Discriminant Analysis （LDA）, and efficiently enhances the generalization ability of ICA-based representation method. Based on DICA subspace analysis, a set of optimal vectors called ＂discriminant independent faces＂ are learned from face samples. The effectiveness of our method is demonstrated by performance comparisons with some popular methods such as ICA, PCA, and PCA＋LDA. On the large scale database of IIS, significant improvements are observed when there are fewer training samples per person available.     

基于PCA算法的人脸图像预处理研究

提出了一种新型的针对主成分分析（PCA）的人脸图像预处理方案。实验表明,可有效提高识别率,并增强PCA对姿势和光照的鲁棒性。     

基于MCA的乳腺X线图像中肿块的自适应检测方法

针对肿块通常大小和形状各异,并且边缘模糊的特点,提出了一种基于形态学成分分析(MCA)和直方图自适应阈值搜索的肿块检测方法.首先通过引入MCA方法有效地抑制了血管和纤维对检测的影响,在此基础上设计了一种基于直方图的自适应阈值搜索策略,根据肿瘤的生长特性,通过自适应阈值和多灰度同心层方法,有效地检测乳腺X线图像中的病变区...     

RELATIVE PRINCIPLE COMPONENT AND RELATIVE PRINCIPLE COMPONENT ANALYSIS ALGORITHM

In this letter, the new concept of Relative Principle Component （RPC） and method of RPC Analysis （RPCA） are put forward. Meanwhile, the concepts such as Relative Transform （RT）, Rotundity Scatter （RS） and so on are introduced. This new method can overcome some disadvantages of the classical Principle Component Analysis （PCA） when data are rotundity scatter. The RPC selected by RPCA are more representative, and their significance of geometry is more notable, so that the application of the new algorithm will be very extensive. The performance and effectiveness are simply demonstrated by the geometrical interpretation proposed.