二维主成分分析

摘要： 针对传统CNN在有遮挡人脸识别中计算量大的问题,文中以L1-2DPCA为基础,提出了一种用于人脸识别的新型PCANet深度学习网络。该网络以L1-2DPCA学习多个卷积层的滤波器,在卷积层之后,通过二进制散列和逐块直方图进行池化。文中以CNN、PCANet、2DPCANet和L1-PCANet作为比较,在AR和RMFD人脸数据集上测试了文中所提出的网络。结果表明,在所有测试中,文中提出的深度学习网络的识别性能优于其他网络。由于采用L1范数,文中所提出的深度学习网络对异常值和训练图像的变化具有较强的鲁棒性。

摘要： 为了能准确地进行图像特征提取,提出一种新的基于Nuclear范数与Frobenius范数加权的二维主成分分析(记为NF-2DPCA)方法。并利用来自于Yalefaces、AR数据库以及ORL人脸数据库中的数据,进行了图像面部识别和重建等相关实验,结果表明所提出的方法能够有效地提取图像特征,并且面部识别准确率最高能达到94.25%,进一步显示所提方法具有一定优越性。

摘要： 针对使用话语级特征参数矩阵作为卷积神经网络输入而导致收敛速度慢及识别率低的问题,提出一种基于二维主成分分析(2DPCA)特征降维的卷积神经网络(CNN)说话人识别方法。首先将每段语音分帧成多个帧级语音并提取同等大小的帧级特征组成特征矩阵,然后利用2DPCA对特征矩阵进行降维处理,再将得到的主成分特征向量组合成新的特征矩阵作为CNN的输入,最后通过CNN的自适应特征学习创建说话人模型。基于Alexnet的CNN模型实验结果表明,采用该说话人识别方法使运行时间减少了57%,同时识别率也有所提高。

摘要： 针对主成分分析在模拟卷积核时造成的计算量增大以及损坏图像本身结构的问题,提出了一种基于改进感知哈希算法的2DPCANet人脸识别方法。该方法在主成分分析网络的基础上,利用二维主成分分析替换原有网络架构中的主成分分析的计算过程,并利用二值哈希算法和分块直方图提取图像局部特征,最后采用支持向量机和极限学习机进行分类,以实现人脸图像的分类。在FERET数据集和LFW人脸数据库上,对比了所提方法与其他几种方法在人脸识别任务中的识别效果,实验结果表明:所提出的人脸识别方法比其他方法在识别率上提高了10%~21%.

摘要： 目前电力系统暂态稳定性评估(TSA)大多采用标准算例生成的数据集,然而实际电网的母线、发电机、线路等电力元件的数量巨大,难以实现评估模型的实时监视和在线更新;而现有降维方法常常遗漏重要信息,导致预测精度下降。提出一种图像化数据驱动的电力系统暂态稳定性在线评估方法,将输入时间序列重新排列成二维图像,利用二维主成分分析法(2D-PCA)对原始图像进行特征降维,并建立卷积神经网络(CNN)模型进行系统稳定性预测。在IEEE-39算例中进行验证,结果表明本文所提基于2D-PCA和CNN的TSA模型在保证预测精度的同时能够大幅提高训练效率,有望推进深度学习在电力系统暂态稳定性在线评估的应用。

摘要： 主成分分析(Principal component analysis,PCA)是一种广泛应用的特征提取与数据降维方法,其目标函数采用L2范数距离度量方式,对离群数据及噪声敏感.而L1范数虽然能抑制离群数据的影响,但其重构误差并不能得到有效控制.针对上述问题,综合考虑投影距离最大及重构误差较小的目标优化问题,提出一种广义余弦模型的目标函数.通过极大化矩阵行向量的投影距离与其可调幂的2范数之间的比值,使得其在数据降维的同时提高了鲁棒性.在此基础上提出广义余弦二维主成分分析(Generalized cosine two dimensional PCA,GC2DPCA),给出了其迭代贪婪的求解算法,并对其收敛性及正交性进行理论证明.通过选择不同的可调幂参数,GC2DPCA可应用于广泛的含离群数据的鲁棒降维.人工数据集及多个人脸数据集的实验结果表明,本文算法在重构误差、相关性及分类率等性能方面均得到了提升,具有较强的抗噪能力.

摘要： 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.

摘要： 在掌纹识别中,对二维主成分分析(2DPCA)算法研究发现,用掌纹训练样本的均值来算投影矩阵得不到很好的识别率.为减小这种偏离中心的影响从而提高识别率,提出了一种用中间值代替原有均值的2DPCA掌纹识别算法.

摘要： 机器人焊接因零件形状不规则和焊接工艺复杂不可避免带来各种焊缝缺陷.针对二维主成分分析应用于焊缝表面缺陷检测时面临计算复杂度高、分类准确率低及无法进行增量学习等问题,提出了一种基于均值更新的增量二维主成分分析(mean updated incremental two-dimensional principal component analysis,MUI2DPCA)算法,并将MUI2DPCA和前馈神经网络(feedforward neural network,FNN)相结合进行焊缝表面缺陷在线检测.首先,对相机捕获的视频帧图像进行预处理得到焊缝局部块图像.然后,利用MUI2DPCA在线提取局部块图像的模式特征.MUI2DPCA对图像的特征主成分进行增量迭代估计,降低计算复杂度,并且能够增量更新当前的样本均值,减少无关特征变化对主成分收敛性的影响.最后,利用FNN建立提取的模式特征与焊缝类别之间的联系,实时返回焊缝表面缺陷的检测信息.试验结果表明,该检测方法平均分类准确率为95.40%,平均处理速度可达29帧/s,能够满足焊缝在线检测的实时性要求.

摘要： 对于当今集成电路设计生产过程,硬件木马已经成为一个不可忽视的问题.本文在基于热图分析的硬件木马检测基础上,提出了运用二维主成份分析对热图特征进行提取和比较的硬件木马检测方法,并采取等效电路的实验方式对所提出的检测方法进行验证.实验结果表明,本文提出的方法能够对能量量级为10-3的硬件木马进行有效检测.

摘要： 对于当今集成电路设计生产过程,硬件木马已经成为一个不可忽视的问题.本文在基于热图分析的硬件木马检测基础上,提出了运用二维主成份分析对热图特征进行提取和比较的硬件木马检测方法,并采取等效电路的实验方式对所提出的检测方法进行验证.实验结果表明,本文提出的方法能够对能量量级为10-3的硬件木马进行有效检测.

摘要： 对于当今集成电路设计生产过程,硬件木马已经成为一个不可忽视的问题.本文在基于热图分析的硬件木马检测基础上,提出了运用二维主成份分析对热图特征进行提取和比较的硬件木马检测方法,并采取等效电路的实验方式对所提出的检测方法进行验证.实验结果表明,本文提出的方法能够对能量量级为10-3的硬件木马进行有效检测.

摘要： 对于当今集成电路设计生产过程,硬件木马已经成为一个不可忽视的问题.本文在基于热图分析的硬件木马检测基础上,提出了运用二维主成份分析对热图特征进行提取和比较的硬件木马检测方法,并采取等效电路的实验方式对所提出的检测方法进行验证.实验结果表明,本文提出的方法能够对能量量级为10-3的硬件木马进行有效检测.

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 本发明公开了一种基于轮廓主成分分析特征提取的二维轮廓排样方法，该方法首先将排样母材轮廓进行离散，然后对排样母材轮廓读取处理并进行主成分分析，得到母材待排样区的第一主成分和第二主成分；然后提取待排样轮廓的所有凸特征，再用主成分分析法对轮廓的这些凸特征进行主成分提取及表达；然后将所有主成分单位化，并相应将特征值比例赋予主成分权重，得到反映真实轮廓凸特征的主成分；然后分别计算待排样区域和待排样轮廓凸特征第一主成分，第二主成分的比值，选择第一主成分比值以及第二主成分比值相近的作为排样方案，最终完成二维轮廓的排样。本发明算法实现简单，不需要传统方法的分度旋转靠接即可找出对应的最优排样方案，而且排样精确，填充率高，排样效率高。

摘要： 本发明公开了一种基于轮廓主成分分析特征提取的二维轮廓排样方法，该方法首先将排样母材轮廓进行离散，然后对排样母材轮廓读取处理并进行主成分分析，得到母材待排样区的第一主成分和第二主成分；然后提取待排样轮廓的所有凸特征，再用主成分分析法对轮廓的这些凸特征进行主成分提取及表达；然后将所有主成分单位化，并相应将特征值比例赋予主成分权重，得到反映真实轮廓凸特征的主成分；然后分别计算待排样区域和待排样轮廓凸特征第一主成分，第二主成分的比值，选择第一主成分比值以及第二主成分比值相近的作为排样方案，最终完成二维轮廓的排样。本发明算法实现简单，不需要传统方法的分度旋转靠接即可找出对应的最优排样方案，而且排样精确，填充率高，排样效率高。

摘要： 本发明属于食品安全检测技术领域，具体为一种基于二维外源荧光光谱技术结合主成分分析检测生鲜乳掺还原乳的方法。本发明使用二维外源荧光检测技术，采集实验用纯生鲜乳和实验用纯生鲜乳经掺杂不同含量还原乳得到的掺杂生鲜乳样品的激发和发射波长的荧光图谱；结合主成分分析，得到主成分得分图，建立标准样品数据图谱库。将未知生鲜乳样品进行同样步骤的检测，将检测结果与标准样品数据图谱比对，最终实现检测生鲜乳是否掺还原乳的目的。本发明方法成本低廉、操作简单快速，每个样品测定时间只需0.5min，结果稳定，准确度高，在牛乳品质检测中具有潜在的应用推广前景。

摘要： 本发明公开了一种基于深度学习二维主成分分析的极光图像检测方法，主要解决现有技术对极光图像信息提取不充分的问题。其实现步骤为：(1)利用二维主成分分析法提取一阶特征向量并产生一阶滤波器矩阵，得到一阶全局特征；(2)对一阶全局特征提取其二阶特征向量，同时产生二阶滤波器矩阵，得到二阶全局特征；(3)对二阶全局特征进行分块直方图统计，提取出分块直方图特征；(4)用支持向量机分类器对分块直方图特征进行分类，得到分类结果。本发明实现了对现有三类极光图像的计算机自动检测，且具有分类准确率高的优点，可用于极光图像的特征提取和计算机图像检测。

摘要： 本发明公开了一种基于直接双侧二维主成分分析的图像识别和图像重建方法，包括以下步骤：步骤一、对图像进行二维主成分分析；步骤二、对图像进行替代的二维主成分分析；步骤三、将测试样本投影到步骤一和步骤二得到的主成分方向上，分别得到二维主成分分析和替代的二维主成分分析对应的投影结果，然后将这两个结果分别进行列向量操作，再合并成一个列向量，作为直接双侧二维主成分分析的投影结果；步骤四、将二维主成分分析和替代的二维主成分分析的重建结果取平均作为重建结果。本发明方法增强了两种单侧结果中共同的成分，抵消了两种单侧结果的误差，从而使得重建结果更接近原始图像。本发明有效地提高了图像识别准确率，降低了图像重建误差。

摘要： 本发明公开了一种基于双向的二维主成分分析进行在线的网络流量异常检测的方法，其涉及在线网络流量异常检测技术领域，该方法包括三种不同的BPCA方法，包括通过迭代进行计算的BPCA计算方法、近似的BPCA方法、通过增量型(incremental)方法加速的BPCA方法；该方法通过主成分分析方法对异常数据与正常数据的敏感性来进行异常检测，其主要应用于对实时的网络流量数据进行检测，判断采集到的实时数据是否存在异常数据。从而，确定采集到的数据不存在异常，同时也使得网络管理更加便捷，能够提高在线异常检测的准确率和减少计算时间。

摘要： 本发明公开了一种基于二维主成分分析法的人脸图像降维分类方法，该方法首先对训练样本进行图像变换，然后利用2DPCA方法对变换后的图像数据求协方差矩阵，求出总体协方差矩阵的最优投影矩阵，再通过将训练样本在最优投影矩阵上的投影进行空间降维，最后在低维空间里对训练样本根据最近邻原则进行分类。本发明方法计算特征向量快，计算准确，且识别率高。

摘要： 本发明属于图像处理技术领域，公开了一种处理彩色医学图像的双边加权二维主成分分析方法及系统，提出计算四元数广义特征值的保结构QZ算法，将经典的QZ方法推广至四元数体，以四元数广义Schur分解为基础，利用四元数实表示的代数对称性，提出四元数保结构QZ算法，求出一般四元数矩阵对的广义特征值。利用四元数Hermite矩阵的特殊对称结构，结合提出的不变子空间保结构算法，将提出的保结构算法应用到彩色图像处理中。本发明提出双边2DQPCA模型，为了保证模型的泛化能力，在模型学习过程中引入了验证集，以保证测试样本的独立性，后与已有的识别算法进行比较，证明了新算法的有效性。

摘要： 本发明公开了一种基于二维主成分分析法的人脸识别系统，设置有能够将人脸图像尺寸归一化处理及人脸图像灰度归一化处理的人脸检测与预处理模块；经过人脸检测与预处理模块出来后的数据采用基于TDPCA人脸特征提取的方法进行人脸特征提取的TDPCA特征提取模块；将经过TDPCA特征提取模块处理后的数据进行分类处理的人脸分类模块；应用二维主成分分析（TDPCA）进行人脸的特征提取，减少了计算复杂度，节省了时间。

摘要： 本发明涉及机械故障诊断、模式识别技术等领域，具体为一种基于时频谱图和二维主成分分析的机械轴承故障诊断方法，包括接收原始信号数据并进行预处理，获得原始信号数据的初始向量；对初始向量进行短时傅里叶变换时频分析，得到原始信号所对应的短时傅里叶变换三维时频谱图；对短时傅里叶变换三维时频谱图进行灰度图转化，得到二维的时频谱图；对二维时频谱图进行维数约减，提取得到二维时频谱图所对应的低维特征矩阵；利用t‑sne算法对二维主成分分析的输出矩阵进行二次维数约简处理；采用t‑sne算法的输出矩阵训练支持向量机，完成故障诊断模型的构建，输入测试数据即可输出诊断结果；本发明减少了计算时间，并提高机械故障诊断的精度。