小波包熵在水下目标识别中的应用研究

研究了基于小波包变换和Fisher线性分类器的水下目标识别方法。小波包是在小波变换的基础上发展起来的时频分析方法,能够对非平稳信号提供更丰富的时频信息。通过对水下目标辐射噪声信号进行小波包分解,提取小波包分解的终端节点的熵值作为特征矢量,应用Fisher线性分类器设计的分段线性分类器对水下目标进行分类识别。仿真结果表明,以小波包熵作为特征矢量的分类方法具有较高的识别正确率。     

基于小波包能量熵的电能质量扰动识别

提出了一种基于小波包能量熵的电能质量扰动识别方法。该方法对仿真的扰动电压信号进行4层小波包分解,提取小波包能量熵特征向量,利用主分量分析法提取电压信号的小波包特征向量并输入到概率神经网络(PNN)进行扰动识别,实现了扰动样本的最优压缩,简化了扰动分类中神经网络分类器的结构,提高了神经网络扰动识别的速度和精度。仿真结果表明,该方法具有良好的扰动识别能力。     

基于ICA的特征不变性目标识别

在图像目标识别中，目标图像平移、尺度和旋转不变性是一个重要前提，而高阶矩特征存在稳定性差的缺点．提出采用主分量分析(PCA)方法确定目标在最大方差意义下主轴的旋转角度，并结合稳定性好的低阶矩特征实现目标的平移、尺度和旋转不变性变换；然后利用独立分量分析(ICA)良好的目标特征抽取能力，在各目标特征空间重建目标模型，并通过对重建模型的误差分析实现目标识别；最后通过PCA确定目标旋转角度测试和ICA目标识别测试两个实验，证实了本文算法的鲁棒性和准确性．     

小波分析和神经网络在水下目标识别中的研究

研究水下目标识别问题.由于环境因素的影响,采集到的水下目标回波信号中含有大量噪声且信号频率范围大,传统方法不能有效提取信号特征导致水下目标识别率低.为了提高水下目标识别的准确率,提出一种基于小波分析和BP神经网络组合的水下目标识别方法(W-BPNN).采用小波对水下目标回波信号进行去噪处理,滤除噪声信号.通过小波包对信号的特征进行提取,提取出最能反映目标本质性质的特征向量,对提取的特征向量作为BP神经网络的输入进行识别.为了验证W-BPNN算法有效性,在Matlab平台上对3类水下目标进行了仿真.结果表明,相对于传统识别算法,W-BPNN获得了更高的识别准确率,证明是有效的水下目标识别方法.     

基于小波包PCA的故障传感器数据重构方法

讨论了基于小波包的多尺度主元分析方法应用于故障传感器数据重构问题。传统的基于小波包的多尺度主元分析在进行传感器故障诊断时没有建立数据重构模型,在相关传感器信号进行小波包分解的基础上,在最佳数的所有节点上建立主元分析模型,将主元分析模型的重构结果组合后再进行小波逆变换,从而实现故障传感器的数据重构。最后,利用试车台液氢供应系统的传感器数据仿真了几种典型传感器故障,并对设计模型实现数据重构的实用性和有效性进行了验证。     

基于PCA的图像小波去噪方法

目前使用的各种小波去噪方法基本上都是建立在对噪声方差精确估计的基础上，而对噪声方差的精确估计是很困难的．提出了一种采用主分量分析（PCA）提取小波系数的主要特征，通过对小波域中噪声能量的估计来实现去噪的新方法．首先利用PCA对小波高频子带进行局部特征提取；然后以主分量对小波系数进行重建的平均能量作为局部噪声能量的估计；将原小波系数的能量减去噪声能量，就得到去噪后的小波系数；最后用小波逆变换对剔除噪声分量后的小波系数进行恢复得到去噪后的图像．本文算法无需对噪声方差进行估计，因而更具实用价值．本文算法与“软阈值”、“硬阈值”去噪方法相比，峰值信噪比（PNNR）提高了2～8dB．实验证实了本文算法良好的去噪性能。     

基于线性分析的特征不变性目标识别

提出采用主分量分析（PCA）方法确定目标在最大方差意义下主轴的旋转角度，并结合稳定性好的低阶矩特征实现目标的平移、尺度和旋转的不变性变换；然后利用独立分量分析（ICA）良好的目标特征提取能力提取目标的特征值；最后在特征空间通过Fisher分类器实现目标识别。实验证实了算法的准确性。     

基于对角切片谱的小波神经网络水下目标识别

目前水下目标识别技术识别率与实时性两难现状的解决,对舰船水下辐射噪声的正确提取具有实际意义。为了使水下目标识别更切合作战实际需要,在得到稳定、可靠的目标识别率的同时,实现高效与实时性,提出了基于对角切片谱的小波神经网络水下目标识别系统。系统充分利用高阶谱既能抑制高斯噪声又包含丰富识别信息的特点以及小波神经网络具有自适应、自学习以及逼近特性和自动收缩平移功能的优点,对三类舰船的实测数据进行仿真,结果表明,三类舰船目标的平均识别率达到90.4%,同时收敛速度也比普通神经网络提高16.9%,证明系统在水下目标识别中具有很好的应用价值。     

一种基于小波包变换的遥感影像融合方法

针对多光谱遥感影像和全色遥感影像,提出了一种基于小波包变换的遥感影像融合方法。新方法首先对多光谱遥感影像进行PCA变换;其次对多光谱遥感影像的第一主分量和全色遥感影像进行小波包变换;然后保留多光谱影像第一主分量的低频近似分量,融合它们的高频细节分量;最后,做小波包反变换,得到新的多光谱遥感影像第一主分量,再做PCA反变换,得到新的多光谱遥感影像。与PCA变换融合方法、IHS变换融合方法和小波变换融合方法等方法在主观视觉效果分析和客观统计参数两方面做了比较,新方法是有效的,不仅较大地增强了结果影像的空间细节表现能力,而且很好地保留了多光谱影像的光谱信息。     

基于小波包分解的虹膜识别算法

特征提取是虹膜识别的关键技术;由于虹膜图像具有丰富的纹理,提出了基于小波包分解的虹膜识别算法。小波包分解不仅包含了图像的低频部分而且还保留了高频部分,它能够有效地提取虹膜纹理特征,并按hamming距离对虹膜进行匹配。实验结果表明,该算法具有良好的鲁棒性。     

基于Gabor小波和二维主元分析的人脸识别

论文提出了一种基于Gabor小波和二维主元分析(2DPCA)的人脸识别方法。该方法首先对人脸图像进行Gabor小波变换,将小波变换的系数作为人脸图像的特征向量;然后,用2DPCA对所得的人脸图像特征进行降维,并采用最近邻法进行分类;最后,利用AT&T人脸库,对基于Gabor小波和二维主元分析(2DPCA)的人脸识别方法和基于Gabor小波和PCA的人脸识别方法进行了仿真比较实验。仿真实验表明,基于Gabor小波和2DPCA的人脸识别方法具有较好的识别性能。     

基于小波变换、二维主元分析与独立元分析的人脸识别方法

结合小波变换(WT)、二维主元分析(2DPCA)和独立元分析(ICA)的特点,提出一种人脸识别方法.首先,利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,从而消除噪声.然后,通过2DPCA对该图像进行降维,求得白化矩阵.再利用ICA获得训练样本的独立元成分,同时求得训练样本独立基构造的独立基子空间.最后,将训练样本与测试样本分别朝该独立基子空间投影,获得样本的投影特征,并依据最近邻准则完成人脸识别.基于ORL与Yale人脸数据库的实验结果表明,本文方法正确识别率高于2DPCA、2DPCA-ICA与WT-2DPCA算法.     

基于PCA的离散小波自回归情感识别

针对情感识别进行研究,提出基于主成分分析法（PCA）过滤小波变换结合自回归模型提取的信号特征方法,并基于梯度提升分类树以实现情感分类.将特征提取的重点放在脑电信号变化情况以及小波分量变化情况作为脑电信号特征.采用Koelstra等提出的分析人类情绪状态的多模态标准数据库DEAP,提取8种正负情绪代表各个脑区的14个通道脑电数据.结果表明,算法对8种情感两两分类识别平均准确率为95.76%,最高准确率为98.75%,可为情感识别提供帮助.     

多线性主成分分析和张量分析的SAR图像目标识别

为了提高合成孔径雷达图像目标识别效果,提出一种基于多线性主成分分析和张量分析的合成孔径雷达图像目标识别方法。该方法首先构建四阶张量训练样本,利用多线性主成分分析得到多线性投影矩阵;再通过投影矩阵构建核心张量,对核心张量进行线性判别分析;最后对测试样本分类识别。实验中,将本文提出的多线性主成分分析和张量分析方法在MSTAR公共数据库上进行识别实验,并与主成分分析和二维主成分分析方法进行识别率比较。实验结果表明,本文方法有效保留了图像的空间结构信息,提高了目标正确识别率。     

基于小波包去噪与PCA的故障检测与诊断方法研究

提出了一种基于小波包去噪和主元分析的故障检测和诊断方法.该方法利用小波包分解系数收缩的信号去噪法先对正常工况下的数据进行处理,然后运用T2统计、Q统计方法,结合主元得分图和变量贡献图对一模型进行了仿真研究.结果表明,该方法是有效的.     

基于小波矩和主分量分析的车牌字符识别方法

随着物联网技术的发展,车联网的应用日益广泛,从而对车牌字符的识别提出了更高的要求,而字符识别的关键在于特征的提取和选择。提出了一种基于小波矩和主分量分析提取和选择特征向量的方法。该方法首先通过小波矩提取字符的特征,然后通过主分量分析对提取的特征进行选择,最后将特征向量送入BP神经网络进行字符识别。该方法能够很好的反映图像的全局特征和局部特征,并且具有较强的抗干扰能力。实验结果表明,该方法可以得到较好的识别效果。     

基于PCA的眉毛识别方法研究

本文分析了人类的眉毛作为一种独立生物特征进行身份鉴别的可能性,提出了利用PCA方法进行眉毛识别的基本思路。通过32个人的小规模眉毛图像数据库,在直接利用纯眉毛图像或间接利用其傅里叶变换构造特征向量的两种情况下,分别研究了PCA方法在眉毛识别中的识别率与所采用的归一化方法和信息阈值之间的关系。实验结果表明,PCA方法的最高识别率在不采用傅里叶变换时为60．00％,而在采用傅里叶变换时为90．63%。     

水下目标信号的Lofar谱图特征的主分量分析研究

研究一种基于Lofar谱图特征和主分量分析的水下目标信号的特征处理方法。首先介绍了这种方法的应用背景．给出了舰船辐射噪声的结构和Lofar谱特征的提取方法。在简单介绍了主分量分析的有关基础知识和数学解法后，对于海上测量获得的舰船辐射噪声信号进行特征提取，利用主分量分析的方法对提取的特征向量进行降维处理。针对主分量分析处理前后的特征向量，采用结构自适应模糊聚类神经网络分类器分类，与直接对Lofar谱特征分类相比，主分量提取后的分类准确率有明显提高。     

基于WT/PCA的自适应神经网络人脸识别方法

提出一种基于小波变换和自适应人工神经网络的PCA人脸识别方法。该方法首先在预处理中对图像进行光照强度的补偿，然后用小波变换的方法提取人脸图像的低频子带，再用PCA方法提取特征分量，并用BP人工神经网络进行训练和识别。此算法将PCA优化的特征抽取与神经网络的自适应性相结合，取得了较高的识别率和优良的抗噪声性能。