基于PCA与ICA的结构损伤识别

在分析主成分分析PCA和独立分量分析ICA的基础上，建立了基于PCA和ICA的结构损伤识别构架。利用它们对结构损伤信号进行特征提取，并将提取的特征作为3层BP神经网络的输入，以实现对结构损伤的识别。这2个模型通过British Columbia大学IASC-ASHM任务组提供的用于验证分类正确性的结构基准数据集合进行测试。结果显示：PCA和ICA都能降低信号中噪音的影响，并对特征进行有效提取；基于ICA的模型比基于PCA的模型预测更准确。     

毫米波瞬态信号的特征提取与识别

将小波分析引入毫米波系统的目标识别中,提出了基于小波分析的提取毫米波瞬态信号特征矢量的两种方法,能量特征矢量法和模极大值特征矢量法,识别结果证实了它们具有较理想的识别率,提高了毫米波系统的目标识别性能。     

基于非线性PCA神经网络的手写体字符识别

非线性主分量分析PCA算法与子空间模式识别方法相结合,提出了一种应用于手写体字符识别的基于非线性PCA神经网络的信号重构模型,并与BP网络模型进行了比较实验,结果表明,本文提出的方法,对于0~9手写体数字识别,正确识别率达到了94.74%,而对于a~z手写体字符识别,正确识别率达到了91.03%.     

基于KPCA和SVM的虹膜特征提取与识别

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析（KPCA）在高维空间具有较强的特征选择能力的特点来提取虹膜图像的纹理特征,采用了一种距离度量和支持向量机相结合的2级分类方法,前级采用欧式距离来度量图像间的相似性,若符合条件,给出分类结果,否则拒绝,并转入后级分类器——支持向量机分类,以减少进入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度快的优点.实验结果表明,该方法具有较高的效率和识别精度.     

基于KSVD和PCA的SAR图像目标特征提取

提出一种基于核的奇异值分解(KSVD)与主成分分析(PCA)相结合的SAR图像目标的组合特征提取方法。该方法首先利用核的奇异值分解得到图像非线性的代数特征,然后进一步经过PCA变换得到图像的最终分类特征。实验中,将本文提出的KSVD+PCA两步特征提取方法与PCA、SVD、KPCA、KSVD方法分别结合简单、快速的最近邻分类器在MSTAR坦克数据上进行了比较,实验结果表明,KSVD+PCA方法不仅有效地提高了目标的正确识别率,而且大大降低了对目标方位的敏感度,在目标方位信息未知的情况下,识别率可达到95.75%,是一种有效的SAR图像目标特征提取方法。     

基于统计特征主分量的信号调制识别

采用数字信号处理方法提取待识别信号的瞬时特征统计参量,利用多元统计的主分量分析方法对特征参量进行其主分量组合,以消除特征参量间的相关性和压缩特征向量的维数,并采用统计模式识别的模板匹配判决进行信号调制方式的自动识别,模拟结果证实了此方法的有效性和高识别率。     

神经网络用于通信信号分类识别研究

介绍了将神经网络方法应用于通信信号的分选和识别的初步研究结果；选择了二值自适应共振（ＡＲＴ１）神经网络完成对输入信号的分类，确定输入信号类型是否已被网络存储，发现新出现的信号并标记；再采用多层前馈误差反向传播（ＢＰ）神经网络完成每一标记信号的识别，即识别该信号类型。比较了神经网络分类识别器和树形分类器的性能，并给出了计算机模拟结果。结果表明，基于神经网络的分类识别器的性能远优于传统技术分类器。     

基于高阶统计量特征提取的雷达杂波分类识别

雷达杂波识别将非常有利于优化现代雷达信号处理系统的处理与检测策略,从而最大程度提高处理系统乃至整机性能。一种基于高阶统计量特征提取的雷达杂波分类方法,能够较好地对雷达杂波进行识别,并可以在识别的同时给出杂波的分布参数。这种方法与其他的雷达杂波识别方法如基于矩形图的幅度分析方法相比,具有明显优点。针对样本的高阶统计量不够稳定,且其在数值上比低阶统计量大而掩盖低阶统计量,使识别性能有所下降的问题,提出加权修正的识别方法。仿真结果表明,在样本数据长度较短的情况下具有较高的识别率。     

基于KPCA的结构振动信号特征提取研究

本文提出基于核主元分析（Kernel Principal Component Analysis,KPCA）的结构振动信号特征提取方法。通过对原始信号进行KPCA分析得到非线性主元,根据非线性主元的累计贡献率确定非线性主元个数,然后根据结构信号在不同损伤状态下的KPCA特征构造结构特征指标,由此判断结构相对于基准状态是否发生了损伤。试验结果表明,该方法在基准状态为无损状态和小损伤状态下都能很好的判断结构是否发生损伤,用于结构损伤识别特征提取是有效的。     

基于PCA和贝叶斯分类技术的滚动轴承质量检测方法

针对滚动轴承质量分类检测和贝叶斯分类器在实际应用中存在的问题,提出了基于PCA和贝叶斯分类技术的滚动轴承质量检测方法.理论分析和实验结果表明：基于PCA和贝叶斯方法的滚动轴承质量分类技术具有模型简单,检测速度快等优点,可以在实际应用中发挥有效作用.     

人脸表情特征提取方法的研究进展

讨论了静态图像表情特征提取方法和序列图像表情特征提取方法,对近年来人脸表情特征提取方法进行了比较研究,得到了一些结论,并对未来可能的研究情况进行了展望.     

Feature Extraction of Sectorial Scan Image of Thick-Walled Electron Beam Welding Seam Based on Principal Component Analysis

基于主成分分析的厚板电子束焊缝超声相控阵

扇形扫描图像特征提取

刚铁¹,栾亦琳²,张弛¹

(1.哈尔滨工业大学 先进焊接与连接国家重点实验室,哈尔滨 150001;

2.黑龙江科技大学 材料科学与工程学院,哈尔滨 150022)

摘 要：

为解决缺陷识别模型训练时高维数据引起的耗时巨大问题,提出一种基于主成分分析的特征提取算法。从Ti-6Al-4V厚板电子束焊缝超声相控阵扇形扫描图像中提取出7个特征值,代表了原始数据87.3%的信息量。将提取的特征值和原始数据均用于训练支持向量机缺陷识别模型,从缺陷识别准确性和训练时间两个方面评价特征提取算法的有效性。结果表明,采用特征值训练的缺陷识别模型,气孔、裂纹、未熔合和未焊透的识别率分别为93%、 90.7%、94.7% 和 89.3%,略高于采用原始数据训练的模型。采用特征值的模型训练时间相比于采用原始数据的模型训练时间大大降低了。

关键词：电子束焊缝;超声相控阵;扇形扫描图像;特征提取;主成分分析

     

核主成分分析法的MIG焊电弧声信号特征选择

以不同焊接状态电弧声信号识别为目的,从MIG焊平板对接射流过渡电弧声信号入手,探寻电弧声产生机理和传播特性.提出电弧声是气体放电的伴生物,是等离子体集体振荡以波形方式传播的结果,也是声源和声道共同作用的产物,其频谱特性主要取决于声道的频率响应.在此基础上,采用线性预测分析技术,提取了表征焊缝熔透状态的10维电弧声信号特...     

基于对称性特征分块主成分分析的人脸识别方法

为了进一步提高人脸识别的精度,考虑在分块主成分分析算法中引入对称性思想。首先对图像进行分块并分别求其奇偶对称脸,然后利用主成分分析算法提取图像的主要鉴别特征。该方法充分考虑了光照等多种因素对识别率的影响,利用人脸图像的对称性增加了样本数量,以有效提高识别率。在ORL人脸库上的实验显示,在每类训练样本数为7、提取特征数为20的情况下,基于对称性特征的分块主成分分析方法的人脸识别率为95%,说明该方法是有效的。     

基于对信号功率谱拟合特征提取的信号识别方法

针对通信信号业务种类识别问题,提出利用机器学习领域的线性回归算法和多项式拟合模型提取信号功率谱的多项式拟合因子作为信号的统一特征来构建训练集,并在深度学习平台keras上构建了全连接的神经网络分类器模型.相比传统的方法,新方法具有对无线电信号统一表征而无需对业务逐个提取个性化特征的优点.选取实际无线电监测数据中的码分多址（CDMA）上行、CDMA下行、增强型全球移动通信系统（EGSM）上行、EGSM下行、无线局域网（WLAN）以及长期演进（LTE）6种信号的功率谱数据作为数据集,通过验证得到了97%的分类准确率,并证明了该方法的可行性.     

基于主元分析和BP神经网络的人脸识别研究

该文提出了一种主元分析和BP神经网络相结合的人脸识别方法。其中主元分析方法用于提取人脸图像的特征，而BP神经网络用于对提取的人脸特征进行识别。实验结果表明，在进行人脸识别时，该文提出的主元分析和BP神经网络相结合的方法同传统的主元分析方法相比取得了良好的效果。此方法具有较高的识别率、较强的自适应性以及对噪声的鲁棒性。     

人脸识别特征抽取方法的研究进展

人脸识别属于生物识别的研究领域,是模式识别的一个重要研究方向,特征抽取是解决人脸识别的关键问题。通过对各种特征抽取技术和方法的分析比较,认为光照和姿态是影响人脸识别效果的两个主要因素,提出了人脸识别的解决思路和今后的研究趋势。     

基于小波变换和主分量分析的人脸识别

提出了基于小波变换和主分量分析的人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为KNN分类器的输入,由KNN分类器对提取的特征进行识别.在ORL人脸数据库上的实验结果表明该方法具有良好的性能.     

基于概率主成分分析的车牌提取方法

提出了一种新颖的采用概率主成分分析的车牌提取方法。该方法是一种基于纹理分析的图像分割算法，适合于彩色及灰度图像。实验表明，该方法能准确地提取图像中的车牌。