搜索结果: 1-10 共查到“信息与通信工程 PCA”相关记录10条 . 查询时间(0.046 秒)
Eigenvectors of data matrices play an important role in many computational problems, ranging from signal processing to machine learning and control. For instance, algorithms that compute positions of ...
本文提出了一种变化检测方法以提高算法的鲁棒性、检测精度以及抗噪性.首先对差值法构造的差异图和比值法构造的差异图进行小波融合.然后将融合图像分成互不重叠的小块,并用主成分分析得到图像块的正交基.通过将融合图像中每个像素的邻域小块映射到正交基上使得每个像素用一个特征向量来表示.最后用基于核的模糊C均值对特征向量进行聚类.实验结果显示与使用单一类型差异图的聚类方法相比,本方法由于采用了图像融合的策略而增...
PCA联合子空间理论的规范化与扩展
主成分分析 贝叶斯分类 联合子空间
2014/2/7
对于高维数据的分类，主成分分析(PCA)联合子空间可为各类数据建立更为细致的概率模型，从而提高贝叶斯分类的准确性。本文首先对PCA联合子空间理论进行了规范化，提出了两个基本假设，并从理论上证明了残差子空间参数“代表特征根”的启发式取值正是其极大似然估计。本文进一步对样本残差的概率模型进行了扩展，提出了扩展型逐类联合子空间算法。最后，本文通过在真实数据上实验结果证明了扩展型逐类联合子空间算法的优越性...
基于PCA变换与小波变换的遥感图像融合方法
PCA变换 小波变换 第一主分量
2016/8/24
针对传统的PCA变换遥感图像融合技术会丢失部分多光谱遥感图像的光谱信息变量，从而造成光谱图像信息域的失真问题提出了基于PCA变换与小波变换的遥感图像融合方法。该方法首先提出多光谱遥感图像信息域的各波段相关矩阵的特征值变量和特征向量域，对多光谱图像进行主分量的变换，继而求得各主分量变量；然后将非灰度图像与多光谱图像信息域的首个主分量做直方图信息变量的匹配，利用小波变换融合方法来实现多光谱图像信息变量...
基于差分分段PCA的多模态过程故障监测
差分矩阵 分段建模 多模态 故障监测
2010/12/3
多模态的故障监测是一个复杂的问题, 既需要考虑稳定模态下的故障监测, 也需要考虑不同模态间的过渡故障监测. 不同稳定模态下的数据具有不同的相关关系, 对每个稳定模态需要建立不同的稳定模态模型. 当稳定生产模态发生改变时, 生产过程进入过渡模态, 需要考虑过渡变量相关关系的变化. 本文通过对过渡数据差分, 得到变量相对变化信息. 利用主成分分析(Principal component analysi...
融合小波变换和张量PCA的人脸识别算法
人脸识别 张量主成分分析 小波变换
2009/10/21
张量主成分分析(PCA)方法用于人脸识别能获得比PCA方法更高的识别率．小波变换具有良好的时频分析特性，同时还能起到降维的作用．综合利用这两个算法的优点，提出了一种新的人脸识别算法，对人脸图像先采用小波变换做预处理得到4个子带图像，然后对每个子带图像用张量PCA进行特征提取，实现人脸图像的高效识别．仿真结果表明，新算法的识别率比张量PCA方法提高了6％，识别时间为张量PCA方法的35.74％．
结合PCA和JADE的EEG眼电伪迹去除研究
主分量分析 眼电伪迹 特征矩阵联合相似对角化
2009/10/10
眼电伪迹干扰是脑电信号中的常见干扰，严重影响到有用脑电信号的提取和分析。提出一种基于主分量分析（PCA）和特征矩阵联合相似对角化（JADE）算法相结合的眼电伪迹去除方法，并探讨了主分量分析对伪迹去除的影响。实验结果表明了该算法的有效性及稳健性，并且其时间开销小。此外该算法还可以有效去除其他脑电伪迹及干扰成分。
结合PCA和ICA的脑磁信号消噪研究
脑磁图 独立成分分析 干扰
2009/5/26
基于二阶统计特性的主分量分解(PCA)和基于高阶统计特性的独立成分分析(ICA)是盲源分离信号处理中两种最为典型的方法．针对多通道脑磁信号的消噪问题，提出一种基于PCA与ICA相结合的信号消噪新算法．首先通过对脑磁信号进行主分量分解来降低信号维数，去掉其中包含的冗余成分，使计算时间缩短到原来的10％;进而利用自适应最大熵独立成分分析算法对降维后的数据进行二次分解，提取出脑磁信号中含有的干扰分量，使...
基于PCA和多约简SVM的多级说话人辨识
PCA变换 说话人辨识 多约简支持向量机
2009/2/7
提出一种基于主成分分析（PCA）和多约简支持向量机（SVM）的多级说话人辨识方法。首先用PCA对注册说话人进行快速粗判决，再用多约简SVM进行最后决策。此多约简SVM有两个约简步骤，即用PCA和样本选择算法分别减少训练数据的维数和个数。理论分析和实验结果表明：该方法可以大大减少系统的存储量和计算量，提高训练和识别时间，并具有较好的鲁棒性。