基于2DPCA的金属断口图像识别方法研究

针对PCA在金属断口图像处理中容易引发的维数灾难问题,提出了一种基于2DPCA的金属断口图像识别方法研究。在提出的方法中,2DPCA以最大化类间散度为准则,其协方差矩阵由原始图像矩阵直接构造。同时将提出的方法与基于PCA识别方法相比较。由实验结果可知:本文提出的识别方法计算量小且识别率也高于PCA识别方法。另外,选取合适的特征空间维数十分重要。当选取特征空间维数过小时,图像信息不完善,识别率低,而当特征空间维数过大时,图像信息冗余,计算量会加大。     

双重稀疏保持投影(英文)

稀疏保持投影(Sparsity preserving projection,SPP)是一种新型的基于图的降维方法,近年来被成功应用于人脸识别。SPP基于数据的稀疏重建关系建图,从而包含自然的判别信息。然而,经SPP变换后,新的特征是所有原始特征的线性组合,因此很难解释其降维结果。为此,提出了一种新的降维方法——双重稀疏保持投影(Dual-sparsity preserving projection,DSPP),通过进一步对SPP的投影方向施加稀疏约束,希望获得投影方向的稀疏解。具体地,该方法把SPP中投影函数的计算转化为一个回归类优化问题,然后借助L1正则化回归技术获得稀疏投影向量。在人脸数据上的实验结果表明了该算法的有效性。     

高效四维航迹数据清洗技术（英文）

随着航空业的快速发展和新兴的众包,如Flightradar24和FlightAware等的涌现,大量空中交通数据,特别是四维(4D)航迹数据已公开于众。为了保证结果的准确性和可靠性,包括识别和减少错误在内的数据清洗,是分析4D航迹数据的第一步。为此对4D航迹数据进行如下清洗:应用反向传播神经网络算法将误差修复;用牛顿插值法对每次航行样本进行等间隔采样来获得均匀分布的4D航迹数据;进而提出一种在保持轨迹固有形状前提下的数据压缩方法,以及基于密度的有噪聚类(Density-based spatial clustering of applications with noise,DBSCAN)对样本点中的离群点进行识别。采用欧洲空域一天的4D航迹数据集进行验证,结果表明所提方法比现有方法更高效、快速。本文的数据预处理研究结果为下一阶段的4D航迹分析奠定了基础。     

基于变换空间近邻图的自助型局部保持投影

局部保持投影(LPP)是一种典型的降维方法,通过保持数据的内在几何结构,LPP能够获得潜在的判别能力.然而,传统LPP的性能取决于人工预定义的近邻图,并且严重依赖于最近邻标准在原始数据空间中的性能.因此本文提出了一种新的降维算法--自助型局部保持投影(sdLPP).该方法首先执行LPP获得投影方向,然后在其变换的空间更新近邻图,并重复LPP.另外,本文还提出了一种改进的拉普拉斯打分(Laplacian score)标准作为算法迭代终止和判别力的参考.最后,在几个公共的UCI和人脸数据集上验证了该方法的有效性.     

基于DE-Gabor特征的人脸表情识别

种族、性别等个体身份的差异在面部表情识别过程中恒定存在的,会降低系统的分类性能。为此,本文提出一种DE-Gabor特征增强方法的身份鲁棒性。首先针对Gabor特征的高维问题,提出双重下采样策略进行降维,获得紧凑的E-Gabor特征。然后针对身份信息的干扰,将E-Gabor表情特征分别在中性特征字典和表情特征字典上进行协同稀疏表示,构建样本的虚拟中性特征和虚拟表情特征,两者差分编码获得增强身份独立性的DE-Gabor特征。最后,基于DEGabor特征训练SVM模型进行表情分类。此外,将DE-Gabor用于不同种族、不同性别的数据集,探究不同文化背景下身份干扰下表情识别之间的规律。在BU3DFE数据集上的实验结果表明:DE-Gabor特征的分类性能优于其它方法。     

模糊的类内矩阵模式主分量分析及在人脸识别中的应用

矩阵模式主分量分析（MatPCA）作为有效的特征提取方法能同时处理矩阵表式的模式和向量表式的模式。但与主分量分析（PCA）方法一样,MatPCA没有使用样本的类别信息,因此所提取的特征不能提供足够的判别信息,进而影响随后的分类性能。为有效利用样本的类别信息,在MatPCA基础上提出了一种新的特征提取方法——模糊的类内MatPCA（F—WMatPCA）。F—WMatPCA利用模糊K最近邻（FKNN）求解训练样本的模糊隶属度并在模糊的类内执行MatPCA。由于F—WMatPCA使用更多的类别信息,因此能有效地提高识别精度。对0RL,Yale人脸数据集和几个UCI数据集做了实验,结果证实了该方法的有效性。另外,讨论了F—WMatPCA在人脸识别上的应用,并与F—Fisherfaces作了比较,结果表明F—WMatPCA具有比F—Fisherfaces更稳定、更鲁棒的识别性能。     

几种降阶方法在柴油机控制器中的应用对比研究

为保证军用机、直升机等大型装备的最后装配质量,得到的产品能满足各项性能指标,必须对系统进行分析和计算。但对于大型复杂系统而言,由于其高维数和复杂性,直接分析相对困难,在这种情况下,采用降阶方法处理。本研究分别利用奇异值分解、Krylov子空间理论和最小二乘法对柴油机控制器进行降阶。研究结果表明:奇异值分解(SVD)算法可以根据系统的奇异值大小进行截断,能够保持降阶系统的结构特性,但计算过程较复杂。Krylov子空间的降阶算法虽然计算量小,且速度快,但误差范数较大。利用最小二乘法可以很好地结合这两种方法的优点,从仿真结果也可看出,利用第三种方法结果最好。     

基于支持向量机和人工免疫的新结合算法

为了减少大规模数据的支持向量机的样本训练时间，提出了人工免疫（aiNet）和支持向量机（SVM）相结合的算法（ai—SVM）。aiNet能在进行样本压缩的同时抽取原始数据的相关信息并保持原始数据的样本分布。压缩后的样本组成了抗体网络，并在此抗体网络上构建了支持向量机模型。最后结合实际数据样本对ai—SVM算法进行了验证。结果表明，ai-SVM算法可大大减小训练样本集和训练代价，且不降低精度。     

基于主成分分析的贝叶斯网络在个人信用评估中的应用

针对信用评估数据的高维、非线性和冗余特点,传统降维和评估方法分类错判率高的难题,提出一种基于主成分分析的贝叶斯分类器在个人信用评估中的方法。首先采用主成分分析方法提取信用评估特征,进行降维处理,消除不必要的冗余信息,简化贝叶斯网络的输入,然后分别在朴素贝叶斯和树增强朴素贝叶斯两种分类器上建立评估模型,最后对评估模型进行验证性实验,并与其他模型进行比较分析。结果表明,应用主成分分析的贝叶斯网络建立的个人信用评估模型简洁,易于推理,提高了个人信用评估的精度。     

基于BSO-BP神经网络的赤潮预测模型

针对天牛须(BAS)算法在处理高维数据时容易陷入局部最优的缺陷,在BAS算法的基础上结合粒子群(PSO)群体信息共享的机制,提出一种倒S型函数的BSO-BP模型。通过建立BSO算法优化BP神经网络的复合模型对夜光藻密度进行预测,从而实现赤潮灾害预测。首先,采用核主成分分析法(KPCA)对输入变量进行降维处理,加快网络的收敛速度。接着,利用BSO优化BP神经网络初始权值、阈值。为了更好地平衡BSO算法的全局搜索以及局部搜索能力,引入倒S型函数来调整惯性权重。相对于BP、PSO-BP、BAS-BP等模型,BSO-BP具有更好的预测精度以及非线性拟合效果。     

基于互信息的图像配准技术研究及应用

介绍了图像配准的基本框架和方法,提出了一种基于灰度信息的配准算法,利用互信息作为图像相似性度量的准则,通过Matlab实验证明了该算法的有效性。     

外关联规则挖掘

根据项集内项的关联性,现有关联规则挖掘算法可分为正关联规则挖掘和负关联规则挖掘两大类,它们反映的是项集内频繁项之间的关联性。通过对实际数据集的分析发现,一个项集可以划分成若干子项集,子项集内的项有较高的相关性,而不同的子项集相关性则较低,这意味着每个子项集与其外部的一个潜在因子间存在着关联,由此本文提出了外关联规则的概念,并基于因子分析和主成分分析方法,提出了外关联规则挖掘算法(FAAR),从而将项集内的关联规则挖掘外推到子项集和潜在因子集之间的外关联规则挖掘,扩展和丰富了关联规则挖掘的应用,在此基础上还可进一步发现它所蕴涵的正、负关联规则。     

基于主元分析的多传感器故障检测

针对动态系统的压力、温度、流量等传感器数据,给出了一种基于主元分析法的传感器故障检测与诊断方法。该方法能够在对测量参数相关性分析的基础上,将传感器测量值所组成的测量空间分解为主元和残差两个子空间,通过传感器实际测量数据与正常数据矩阵在残差子空间投影的比较,对传感器的故障进行检测与诊断。通过双容水箱被控系统的传感器进行检测,结果表明主元分析法对传感器具有很好的故障检测和故障诊断能力。     

基于PCA-RBF神经网络的浮选过程软测量建模

以浮选过程为研究对象,提出基于主元分析与RBF神经网络相结合的经济技术指标软测量模型,该模型依据工艺机理和经验知识对过程变量进行初选,采用主元分析方法对高维输入向量进行降维化简和辅助变量选择;采用新型混合递推算法对RBF神经网络参数进行优化。该算法包括修正网络中心的自适应聚类的简化型次胜者受罚竞争学习算法和修正网络权值的带遗忘因子的递推最小二乘算法。混合学习算法提高了网络参数辨识的收敛速度。仿真结果表明,软测量模型能很好地实现浮选过程经济技术指标的全局预测。     

航空发动机磨损故障的智能融合诊断

运用了4种最常用的滑油分析技术——铁谱分析、光谱分析、颗粒计数分析及理化指标分析，同时结合发动机试车台监测数据，提出了运用神经网络和D—S证据理论对发动机试车状态进行融合诊断的方法。首先依据各种分析方法的标准磨损界限值，将原始数据进行了预处理，转换成故障征兆的布尔值；其次，建立了各子神经网络的拓扑结构。并依据专家经验建立各子系统的输入征兆与故障论域的映射关系，由此获得了各子神经网络的训练样本，对各网络成功训练后。利用神经网络实现各子网络的诊断并得到了中间诊断结果；然后，将每种方法的神经网络诊断结果作为各故障模式的基本概率分配值，利用改进的D—S证据理论。实现了对神经网络诊断结果的融合，由此获得了最终的融合诊断结果，最后，通过算例证明了该方法的有效性。     

基于主元空间动态模型的故障检测方法

建立了一种基于主成分分析的主元空间线性动态模型,将主成分分析的得分变量视为由高斯白噪声驱动的线性动态模型输出,可有效去除主元得分向量的动态相关性,动态模型参数可以通过期望最大化方法迭代辨识。分别在主元残差空间和主元空间线性动态模型上建立监控统计量,从而实现对动态过程的故障检测。通过数值仿真验证,该算法故障检测的检测率和误警率均表现良好。     

用户自主完好性监测新算法

基于测量域提出了新的导航系统完好性度量算法。充分考虑所需导航性能参数和不确定的噪声的因素,运用概率优化方法进行故障监测。选择适当的性能参数,与漏检率具有一一映射关系,估算故障概率,并对此进行了讨论。在该算法中,利用残差灵敏度矩阵的各个特点提高识别有误差观测数据的效率。该算法可用于完好性监测的性能要求规定,计算高效。非精密进近的仿真结果证明了该算法的有效性。     

用于复杂装备费用驱动因子筛选的灰色凸关联模型

针对复杂装备费用预测中样本少和费用影响因素繁多的问题,分析以往灰色关联度的缺陷,运用改进的灰色凸关联度建立费用影响因素与费用之间的灰色关联模型。依据灰色凸关联度的大小和接近程度筛选费用驱动因子,利用所选择的驱动因子建立多元回归模型。与已有文献中的方法进行对比,结果表明本文方法具有较高的预测精度,说明改进的灰色凸关联度模型能够诊断复杂装备费用的关键影响因素。     

基于多尺度指定元分析的多故障诊断方法

主元分析(Principal component analysis,PCA)固有的模式复合效应使得多尺度主元分析(Multi-scaleprincipal component analysis,MSPCA)仍无法做故障模式辨识,且各尺度上和重构后数据分别建立PCA模型的计算量非常大。本文建立一种多尺度指定元分析(Multi-scale designated component analysis,MSDCA)方法,将具有明确物理意义的指定模式作为多尺度空间中观测数据和重构后观测数据的统一投影框架,旨在解决MSP-CA在多尺度空间中仍无法进行故障模式辨识的不足,并避免其在各尺度上需分别建立不同统计模型的繁琐性,同时可改进单尺度指定地分析(Designated component analysis,DCA)方法的诊断性能。仿真结果表明了该方法的有效性。