一种飞行参数缺失数据的预测估计方法

飞行参数数据在记录过程中受到各种干扰因素影响,容易产生部分数据的丢失.为了得到完整又符合实际飞行状态的飞行参数数据,需要对缺失数据的参数数据进行预测估计.飞行参数数据中包含十几个参数,若将所有参数用于每个动作的飞行评估,复杂度太高.考虑到不同飞行状态下,不同的参数相关度不同,采用主成分分析选择相关度较大的若干参数.这些参数数据构成多元时间序列,因为飞行参数具有连续性和平稳性,所以利用多元时序建模综合多个参数相关性进行建模分析,实验证明该方法能够准确地估计缺失数据.     

多元时间序列特征降维方法研究

针对常见的降维方法难以有效地保留多元时间序列主要特征的问题,分析了传统PCA方法在多元时间序列降维中的局限性;提出一种基于共同主成分分析的线性降维方法;把共同主成分与核技巧相结合,通过数学推导,将其拓展为基于共同核主成分分析的非线性降维方法;最后分析两种方法的降维有效性.与传统PCA方法相比,基于共同核主成分分析的降维方法可以表达变量间的非线性关系、能够选取合适的核函数和形状参数,因此降维手段更为灵活、对数据的适应性更强.实验结果表明,本文提出的降维方法能够更有效地对多元时间序列进行降维.     

基于加权动态时间弯曲的多元时间序列相似性匹配方法*

针对常用方法忽略变量相关性和局部形状特性问题,提出基于加权动态时间弯曲的多元时间序列相似性匹配方法(CPCA-SWDTW).首先,在原加权动态时间弯曲算法基础上,引入形态因子,提出基于形态特征的加权动态时间弯曲算法(SWDTW).然后,提取多元时间序列的主成分作为模式表示,消除变量间的相关性,同时将方差贡献率作为相应主成分的权重.在此基础上,运用SWDTW,度量多元时间序列间的相似度.最后,通过相似性搜索实验表明,CPCA-SWDTW具有较好的准确性和鲁棒性.敏感性分析说明CPCA-SWDTW在一定程度上受到权重函数参数的影响.     

多元时间序列模式匹配方法研究

针对多元时间序列模式匹配的方法难以高效、准确地刻画序列相似程度的问题,在考虑变量的量纲和特征差异的基础上,对多元时间序列进行多维分段拟合;然后,选取各个变量维度上拟合线段的倾斜角和时间跨度作为模式的描述方式,提出一种基于动态时间弯曲(DTW)的多元时间序列趋势距离匹配方法.实验结果表明,所提出的模式匹配方法对由连续型变量组成、时间跨度较大且体现一个连续、完整动作过程的多元时间序列,具有较好的匹配效果.     

基于MDTW的飞行动作识别算法

科学评估飞行训练质量,对提高飞行员的飞行驾驶技术以及保障飞行安全具有重要意义。动作识别是飞行评估的一项基本内容,许多评估内容都是建立在获取动作序列的基础上的。在动态时间规整（DTW）的基础上提出了一种多元动态时间规整算法（MDTW）,通过多维融合的方法进行多元时间序列相似性运算。经实际应用验证,该算法有效提升了传统DTW动作识别的效率和准确性。     

基于变量相关性的多元时间序列特征表示

针对高维特性对多元时间序列数据挖掘过程和结果的影响,以及传统主成分分析方法在多元时间序列数据特征表示上的局限性,提出一种基于变量相关性的多元时间序列数据特征表示方法。通过协方差矩阵描述每个多元时间序列的分布特征和变量相关关系,利用主成分分析方法对综合协方差矩阵进行主元分析,进而实现多元时间序列的数据降维和特征表示。实验结果表明,所提出的方法不仅能提高多元时间序列数据挖掘的质量,还可以对不等长多元时间序列进行快速有效的挖掘。     

一种结合形状序列和DTW的动作识别方法

提出了一种单幅图像上轮廓信息的获取方法,在一段时间内发生的动作可以通过采样获得多幅图像来表示该动作特征.这些图像可以看成是轮廓形状变化序列,通过比较不同动作的轮廓形状序列,使得动作能够较容易地识别出来.实验证明,轮廓信息能够较好地反映对象的形状,采用形状序列和DTW相结合的方法能够提高动作识剐的准确性.     

主成分分析与神经网络的结合在多变量序列预测中的应用

目前预测方法的研究主要集中在单变量时间序列上,本文建立起一种针对多元变量非线性时间序列建模和预测的方法框架.首先,同时考虑序列状态间的线性相关性和非线性相关性,建立初始延迟窗以包含充分的预测信息;然后,利用主成分分析(PCA)方法寻找不同变量在数据空间中的最大方差方向,扩展PCA应用于提取多个变量的综合信息,重构多元变量输入状态相空间;最后,利用神经网络逼近不同变量之间以及当前状态和将来状态之间的函数映射关系,实现多元变量预测.对Ro¨ssler混沌方程和大连降雨、气温序列的预测仿真说明了本文方法的有效性,为多元变量时间序列分析提供了一条新的途径.     

多元混沌时间序列的相关状态机预测模型研究

针对多元混沌时间序列预测存在的过拟合问题及高维输入变量冗余问题,提出一种新型的多变量稀疏化预测模型——多元相关状态机.该模型采用主成分分析方法对相空间重构后的高维输入变量进行低维表示,将动态储备池作为相关向量机的核函数,充分映射多元混沌时间序列的动力学特性,使得模型具有丰富的动态机制和良好的稀疏性能,有效避免过拟合问题,提高预测精度.基于两组多元混沌时间序列的仿真实验验证了模型的有效性.     

巴氏距离与PCA结合的人脸识别

利用巴氏距离（Bhattacharyya Distance）和PCA（Principal Component Analysis）相结合进行人脸识别研究,提出了使用巴氏距离和PCA相合的算法对特征进行提取。当特征向量维数高时,首先对样本K-L（Karhunen-Loeve）变换进行降维,然后采用巴氏距离特征的迭代算法,得到最小错误率上界。基于ORL人脸数据库的实验表明该方法的识别性能优于LDA、HPCA、HLDA,采用文中的算法可以有效地提高识别率,减少巴氏距离特征计算时间,具有较强的实用性。     

基于核函数的PCA在QAR数据分析中的应用

分析了传统的主成分分析方法的不足,论述了KPCA方法及其时间复杂度高的缺陷。在此基础上,提出基于核函数构造的协方差矩阵的主成分分析,相比 KPCA,该方法具有快的降维速度。实验结果显示：把该方法用于QAR数据具有良好的降维效果和高分类正确率。     

基于特征量积与PCA的小波遥感图像融合

在遥感图像融合中,传统PCA算法会损失部分有用信息,从而使得融合结果的光谱分辨率受到较大影响,针对这种情况,借助小波变换优良的时频分析特性,利用特征量积来融合多光谱图像的第一主成分,实现了一种基于特征量积与PCA的小波遥感图像融合算法。通过对来自不同场景不同卫星的多光谱和全色图像进行融合实验,结果表明,该算法无论在主观视觉还是在客观统计数据上,均具有比其他方法较佳的融合效果。     

基于关联图谱的视频片段聚类

提出一种基于关联图谱的视频片段聚类方法。构造视频片段的关联图并将其转换成邻接矩阵,提取邻接矩阵的主分量特征值、模间邻接矩阵和模间距离后,将三者分别嵌入主成分分析和独立成分分析模式空间中,利用k-means进行聚类分析。实验结果表明,该方法能有效区分不同类型的视频片段。     

基于自适应预处理和PCA的人脸识别方法的研究

针对传统预处理方法在特征提取之前不能对人脸图像进行局部化处理,不能分析出感兴趣区域及受背景环境影响等缺点,提出一种人脸图像的自适应预处理方法。该方法通过二维Gabor滤波器从人脸图像中确定人眼位置,通过图像分割算法提取出感兴趣区域,缩放图像,运用主分量分析方法进行特征提取,通过二维最小近邻分类法进行分类,从而完成人脸识别过程。实验结果表明,基于自适应预处理的人脸识别方法能够有效去除头发、脖子、肩及与人脸无关的部分,提高了人脸识别率,且对一定的平移、旋转、尺度变化和表情有良好的鲁棒性。     

基于SPCA和域变换递归滤波的高光谱图像分类

提出一种基于分割的主成分分析（Segmented Principal Component Analysis,SPCA）和域变换递归滤波（Domain Transform Recursive Filtering,DTRF）的高光谱图像分类算法。利用SPCA方法降低高光谱图像的维数和提取各波段子集的第一主成分。使用不同参数的域变换递归滤波器对各波段子集第一主成分进行滤波,形成堆叠的边缘保持滤波图。采用主成分分析（Principal Component Analysis,PCA）将堆叠的边缘保持滤波图进行特征融合。利用基本阈值分类器（Basic Thresholding Classifier,BTC）对融合后的主成分进行分类。仿真实验表明,所提方法能够提高分类精度,且在总体分类精度、平均分类精度、Kappa系数等方面优于已有方法。     

基于特征的JPEG图像信息隐藏的隐蔽性评价

在基于图像的信息隐藏研究过程中,人们对信息隐藏性能的评价十分关注。提出了一种基于特征的JPEG图像信息隐藏隐蔽性的评价方法。此方法首先提取信息隐藏前后的JPEG图像的特征,对这些特征处理后进行作差得到特征改变量,然后将得到的多维特征改变量进行主成分分析法综合评价,从而实现对隐藏方法隐蔽性的评价。     

小空间占用的快速彩色图像特征抽取方法

为了有效降低已有彩色图像特征抽取算法的空间占用,使得这类算法可以适用于仅有有限计算能力和计算空间的计算环境,提出了一种小空间占用的快速彩色图像特征抽取方法。此方法首先用无迭代双边二维主成分分析方法NIB2DPCA对彩色图像的R、G、B三个通道分别做特征抽取;然后把抽取到的三个特征矩阵重构为一个二维矩阵;接着用NIB2DPCA对此二维矩阵抽取特征得到最终的分类特征矩阵。最后用最近邻分类器验证提出方法的有效性。在CVL和FEI人脸库上的大量实验表明,提出的方法采用两次特征抽取方法对彩色图像的信息进行了有效的压缩从而使计算过程中占用的内存空间减小了两个数量级以上,由此导致了计算时间的缩短,计算速度的提高;而且识别率还有所提高。     

重构贡献在变压器故障诊断中的应用

在常规DGA诊断方法中,存在故障数据不敏感的问题。为此,提出一种基于重构贡献的变压器故障诊断方法。该方法在建立主元分析模型后,采用SPE和T2统计量检测故障,在分析重构贡献法故障诊断性能的基础上,利用重构贡献法识别故障。实例研究结果表明,该方法可以识别故障发生的原因,提高故障诊断的准确性,具有较好的故障识别能力。     

基于KPCA-LSSVM的健康档案空腹血糖水平预测研究

糖尿病是一种可防可控的慢性疾病,会产生很多并发症,对人体危害很大,因此早期诊断糖尿病并干预生活方式对预防糖尿病慢性并发症十分必要。利用健康档案中数据来预测空腹血糖水平,因为空腹血糖水平的高低是早期诊断和干预的一个重要依据,但是健康档案中数据存在维度广、噪声多、强耦合、非线性等特点,为此提出了基于KPCA和LSSVM结合的方法进行建模,并将LSSVM、PCA-LSSVM、KPCA-LSSVM这3种模型进行比较,结果表明KPCA-LSSVM准确性比LSSVM、PCA-LSSVM大幅提高,ROC曲线的积分面积也接近于1,说明KPCA-LSSVM能够运用于空腹血糖的预测,也为医疗数据挖掘提供一种新的参考办法。