主成分分析法在掌纹图像识别中的应用

掌纹识别技术是生物特征识别领域的又一新兴技术,在网络安全、身份鉴别等方面有广阔的应用前景。将主成分分析法应用于掌纹图像的特征提取,阐释了传统主成分分析与加权主成分分析在处理掌纹图像时的差异,并在不同数据库上对两种方法进行了实验,结果表明传统主成分分析比加权主成分分析有更高的识别率以及加权主成分分析能够削弱光照对识别结果的影响。     

改进的PCA-LDA人脸识别算法的研究

主成分分析算法(PCA)和线性鉴别分析算法(LDA)被广泛用于人脸识别技术中,但是PCA由于其计算复杂度高,致使人脸识别的实时性达不到要求。线性鉴别分析算法存在“小样本”和“边缘类”问题,降低了人脸识别的准确性。针对上述问题,提出使用二维主成分分析法(2DPCA)与改进的线性鉴别分析法相融合的方法。二维主成分分析法提取的特征比一维主成分分析法更丰富,并且降低了计算复杂度。改进的线性鉴别分析算法重新定义了样本类间离散度矩阵和Fisher准则,克服了传统线性鉴别分析算法存在的问题,保留了最有辨别力的信息,提高了算法的识别率。实验结果表明,该算法比主成分分析算法和线性鉴别分析算法具有更高的识别率,可以较好地用于人脸识别任务。     

融合发音动作特征和声学特征的病理语音检测

为提高听障患者病理语音的检测效果,提出一种融合发音动作特征和声学特征的检测方法.分析病理语音和正常语音发音动作特征的差异,提取位移、速度两种发音动作特征,提取梅尔倒谱系数、基频、共振峰3种声学特征,对两类特征归一化处理,使用核主成分分析法进行降维,在支持向量机、随机森林、多层感知机中测试特征的检测性能.实验结果表明,发音动作特征和声学特征同样有效,两类特征构成的融合特征检测效果优于单一特征,验证该方法提高了病理语音的检测效果.     

基于特征差异的仿真模型验证及选择方法

为了实现在系统存在多个数据类型各异的输出时, 多个备选仿真模型的验证和择优, 提出了基于特征差异的仿真模型验证及选择方法. 首先,将系统输出分为静态、缓变和速变三类数据, 并分别给出了每类数据的特征差异度量模型; 然后,采用主成分分析法从多个具有相关性的特征差异中提取出少数几个独立的主成分变量; 再者依据主成分数据, 采用K-均值聚类分析方法将多个备选仿真模型的输出划分为K类; 最后,基于Fisher判别分析法判定参考输出是否属于其中的某类, 进而实现对多个备选仿真模型的验证和选择. 通过实例应用, 表明了该方法的有效性.     

区间多目标优化中决策空间约束、支配及同序解筛选策略

针对优化函数未知的昂贵区间多目标优化, 根据决策空间数据挖掘, 提出了一种基于最近邻法和主成分分析法(Principal component analysis, PCA)的NSGA-II算法. 该算法首先通过约束条件将待测解集分为可行解和非可行解, 利用最近邻法对待测解和样本解进行相似性计算, 判断待测解是否满足约束. 然后对于两个解的Pareto支配性同样利用最近邻法来区分解之间的被支配和非被支配关系. 由于目标空间拥挤距离无法求出, 为此在决策空间利用主成分分析法将K-均值聚类后的解集降维, 找出待测解的前、后近距离解, 通过决策空间拥挤距离对同序值解进行筛选. 实现NSGA-II算法的改进.     

主成分分析和聚类分析在花卉栽培基质配方选择中的应用

基质栽培是工厂化无土栽培的一个重要分支。结合牡丹品种胡红牡丹的生产实际,采用多元统计中主成分分析法、聚类分析法,对14种栽培基质配方进行了优劣等级的划分。首先确立胡红牡丹的农艺指标体系,然后用主成分分析法对指标体系进行筛选,接着用聚类分析得出基质配方的优劣等级,最后就各优劣等级进行了概述。     

PCA-SVM在模拟电路故障诊断中的应用

主元分析法(PCA)通过提取故障样本集的主元得到降维的特征空间,利于故障特征提取;支持向量机(SVM)应用于故障诊断时具有良好分类性能;结合两者优点,提出了基于PCA特征提取和SVM相结合的模拟电路故障诊断识别新方法:对电路输出响应信号进行PCA处理,提取故障特征的主成分,然后利用多类SVM对故障模式进行分类决策,实现故障诊断;仿真实验结果表明,该方法能够实现模拟电路故障的快速检测与故障定位,具有速度快、精度高、鲁棒性好的特点。     

云计算下的基因测序数据并行化生成方法

传统基因测序数据生成方法对聚类的起始和终止判断不准确,导致测序数据生成速度慢,且无法对基因特征实现精准表达.为强化描述测序数据与基因之间的关联程度,优化基因测序数据生成效率,提出云计算下的基因测序数据并行化生成方法.利用主成分分析法,建立初始数据特征子集,获取综合数据指标,构建描述特征集合的系数矩阵,计算特征值与特征向...     

一种PCA算法及其应用

主成分分析是用于简化数据的一种技术,对于某些复杂数据就可应用主成分分析法对其进行简化.文中所用到的是一种连续统一的主分量分析法,它利用特征结构的正交性,提取出用于下一主分量的初始权向量,并且任何一种适用于线性前向反馈神经网络的主分量分析法都可作为此算法中的权修正等式.最后,将这种PCA法与普通PCA法运用于股票数据之中进行比较,结果对比证明用此方法提取出的数据比以前有所改进.     

KPCA算法及其在股市中的应用

主成份分析法是用于简化数据的一种技术,现实世界中的数据复杂且庞大,对于某些复杂数据就可应用主成分分析法对其进行简化.文中着重介绍了健壮性KPCA算法并引入了粒度的思想,健壮性KPCA算法能推导出特征空间中信号重组的最小错误标准,并自动识别训练样本集中的无关数据,且经过计算消除它们对KPCA算法准确度的影响.可以将其应用于股票数据中,并将所得的主分量图与原图比较,发现效果明显,由此可看出KPCA算法是一种相当有用的算法.     

目标检测与目标跟踪方法研究

目标检测与目标跟踪是数字图像处理领域重要的组成部分,研究从目标跟踪的作用谈起,具体介绍了目标检测与目标跟踪的相关知识。生成式跟踪方法在当前帧对目标区域建模,判别式跟踪方法应用机器学习训练分类器。介绍了基于前景和基于背景的目标检测使用的方法,简述了目标跟踪领域的有关算法,如CSK算法、CN算法、STC算法,分析各算法的特征及其优缺点。最后总结了目标检测与跟踪领域发展的必要性与现今的障碍。     

微型航天探测器目标识别算法研究

微型航天目标探测器主要是对空间目标探测识别,然而在微型航天探测器在空间对目标物成像时目标物、背景和探测器之间存在相对运动,目前还没有好的运动背景中运动目标识别的算法.因此,针对微型航天探测器在星空背景下对目标物识别的要求,提出了把图像配准与双差分法相结合目标识别的算法.该算法对连续采集的三帧图像中的前两帧和后两帧分别进行配准,差分,二值化,然后将两副二值化图像逻辑乘,识别出目标.计算机仿真的结果表明该算法计算量比较小,对目标的识别效果好.因而,基于图像配准的双差分法是一个相对较好适用于微型航天探测器对空间目标探测识别的算法.     

Hardening the Target

As enterprises increasingly depend on digitized data and seek commercial opportunities from accelerated digital access and transmission, senior management and boards of directors haven't sufficiently updated their enterprises' security protections on digitally stored information. Consequently, new and increasingly frequent attacks have occurred against their digital information assets. Enterprises must "harden the target" to protect against attacks against these assets.     

合成目标化合物析分系统

在化学反应处理的计算模型的基础上,完成了一个实验性的目标化合物析分系统（Target Parsing System,TPS）。目前它主要用于测试和优化反应规则的选择和表述方法。TPS的工作逻辑基本上模仿人的思维过程,它通过对目标分子析分找出谋略键。根据谋略键将目标分子分拆成前体,再通过对原料库的检索确定是否已是可得原料等3个步骤完成反合成分析。通过对一些小分子和天然产物的测试,表明它已能给出令人满意的反合成分析结果。由于TPS在知识量上的局限性,对复杂化合物的析分还不可能达到实用水平。但是,可以预见通过对知识库的扩充和对TPS的不断完善,它有望发展成为一个真正意义上的计算机辅助合成设计系统。     

多窗口目标跟踪算法

目标在复杂环境下运动,特征会受到光照、摄像机角度等因素影响,并且目标可能会被自身其他部分或者场景物体遮挡,为此,提出一种多窗口概念的视频目标跟踪算法,基本思想就是将目标用多个不同的窗口表示,每一个窗口对应一个跟踪器.这些窗口之间可以存在重叠,也可以包含被跟踪目标上下文信息,如在人脸跟踪中,有些跟踪窗口可以包含颈部信息、上衣颜色信息.然后利用这些窗口之间的位置关系以及在后继跟踪过程中的相似度来估计目标的真实位置.通过实验可以看出,提出的多窗口均值移动跟踪算法可以提高系统在遮挡、光照变化等复杂条件下的跟踪性能.     

目标检测定理

通过引入目标存在状态变量,建立了结合目标检测与参数估计的统一系统模型。给出目标探测信息、检测信息和空间信息的严格定义,并证明探测信息是检测信息与已知目标存在状态的空间信息之和,从理论上解决了探测信息和检测信息的定量问题。推导出目标匹配和非匹配条件下检测信息的理论公式。提出了随机目标检测方法,并证明了目标检测定理。目标检测定理指出,检测信息是可达的,反之,任何检测器的经验检测信息不大于检测信息。本文提出的目标检测信息理论打破了纽曼-皮尔逊准则一统天下的局面,为目标检测的系统理论和设计方法开辟了新的方向。     

基于目标预测的扩展目标量测集划分算法

扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）跟踪算法是扩展目标跟踪领域内最为重要的跟踪算法之一。然而当多个目标邻近时,该算法的状态估计精度降低,这是由于距离-Kmeans++（Distance Partitioning-Kmeans++,DP-Kmeans++）量测集划分算法无法输出正确的结果所导致。为解决该问题,提出了改进的DP-Kmeans++量测集划分算法,利用目标预测信息来分割量测集,从而提高了划分精度。仿真结果表明,当目标邻近时,使用提出划分算法使ET-GM-PHD跟踪算法的OSPA误差距离减小。     

目标高程对SAR图像中目标位置偏差的影响

利用合成孔径雷达(Synthetic aperture radar,SAR)干涉技术对目标场景进行三维成像时,目标自身高度会引起其在图像上产生相应的位移,从而导致数字地形高度图(Digital elevation model,DEM)中目标位置与实际观测场景中目标位置存在偏差.本文提出了一种新的雷达地面目标定位方法,通过详细分析雷达图像中目标位移的原因,具体推导了目标在方位向和距离向上的位移量与成像几何,目标高度之间的数学关系,提供了修正目标位置的理论依据.通过仿真实验,证明了本文理论分析的正确性.     

靶艇目标精准射击控制方法研究仿真

靶艇目标射击的精准度是评价该武器的重要指标,但在现实环境中存在不同程度的干扰因素,导致射击飞行弹道会脱离原本的标准弹道,无法命中目标.为此提出一种靶艇目标精准射击控制方法.对目标射击的干扰成因、射击目标误差、目标中心判定误差以及目标射击运动误差等方面进行系统性的分析,并计算出射击相关参数,利用目标射击的飞行原理,在不同条件因素下构建目标射击弹道模型框架,并设计出一条预期理想的标准射击弹道,根据模型的主动段、自由段以及自由段顺序计算出误差干扰结果,并利用蒙特卡洛统计方法分析射击精准度,从而完成靶艇目标精准射击控制.仿真结果表明,靶艇目标精准射击控制方法的误差率较小,射击命中率较高,且具有较高的射击精准度.     

Target recognition and tracking

Advances in image and signal processing permit implementation of sophisticated sensor fusion algorithms for tracking and target identification. The polymoprhic estimator (PME) accomplishes these tasks simultaneously. However, it has been observed that there is an identification bias toward more languorous targets. This bias can be overcome with higher-quality sensors. It is shown here that, in some cases, more precise modelling of the target motion is an even better solution.