检索结果-内蒙古大学图书馆

作者：孔昭阳哈尔滨工业大学

学位级别：硕士

线性判别分析(Linear Discriminant Analysis,LDA)是模式识别中经典的算法之一,在对数据进行特征提取的同时,能够最大程度的保留原始数据的分类信息。随着互联网数据维度的增高和数据量的加大,LDA算法对计算速度、精度等方面有着更高的... 详细信息

线性判别分析(Linear Discriminant Analysis,LDA)是模式识别中经典的算法之一,在对数据进行特征提取的同时,能够最大程度的保留原始数据的分类信息。随着互联网数据维度的增高和数据量的加大,LDA算法对计算速度、精度等方面有着更高的要求,传统的基于单机多核CPU的并行计算模型已经不能满足计算速度方面的要求,并且计算代价过高。而近些年出现的GPU通用计算相比于传统计算,拥有高并发、低功耗等优点,本文结合GPU高性能硬件,提出了一种基于CPU-GPU异构计算的改进LDA算法,主要完成的工作如下:(1)本文提出了一种基于CPU-GPU异构计算的矩阵块Hessenberg归约算法。LDA算法的计算瓶颈之一是求解散度矩阵的广义特征问题,而求解广义特征问题的Hessenberg归约算法步骤时间复杂度高,计算时间长;此外,Hessenberg归约算法在矩阵分解与矩阵特征问题领域有着重要的意义,因此本文将该问题作为研究重点之一。本文将基于矩阵块的Hessenberg归约算法进行任务分解,采用CPU-GPU异构计算的方式,加速了LDA算法的广义特征值求解过程。(2)本文针对广义特征向量求解问题,提出了一种基于CPU-GPU异构计算的特征向量回溯算法。该算法包括两个部分,一是由Hessenberg矩阵的特征向量回溯对称矩阵的特征向量,而是由对称矩阵特征向量回溯广义特征向量,本文分别对这两个部分进行了加速算法的设计。(3)除广义特征值问题外,构建类间和类间散度矩阵也是LDA算法的计算瓶颈之一,本文针对该求解步骤,设计了基于CPU-GPU异构计算的加速算法。实验表明,相比于单核CPU,本文提出的基于异构计算的改进算法有着最多102倍的加速比,而相比于八核CPU,该算法有着最多20倍的加速比。

关键词：线性判别分析算法 CPU-GPU异构计算广义特征问题

来源：评论

学校读者我要写书评

暂无评论

一种参数优化VMD多尺度熵的轴承故障诊断新方法

引用

控制与决策 2020年第7期35卷 1631-1638页

作者：黄大荣柯兰艳林梦婷孙国玺重庆交通大学信息科学与工程学院重庆400074 广东石油化工学院广东石油化工装备故障诊断重点实验室广东茂名525000

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装... 详细信息

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.

关键词：轴承故障变分模态分解算法多尺度熵算法线性判别分析算法支持向量机故障特征识别

来源：评论

学校读者我要写书评

暂无评论

不同视觉注意状态调制稳态视觉诱发电位特征的可分性研究

引用

生物医学工程学杂志 2019年第5期36卷 705-710页

作者：许敏鹏程秀敏明东天津大学精密仪器与光电子工程学院神经工程与康复实验室天津300072 天津大学医学工程与转化医学研究院天津神经工程国际联合研究中心天津300072

注意将我们的心理资源集中到感兴趣事件的处理上,是一种重要的行为和认知过程。识别注意力状态对提高工作绩效、减少失误的发生具有重要意义。然而,至今还没有能够直接并客观检测注意力状态的方法。基于视觉注意对稳态视觉诱发电位(SSV... 详细信息

注意将我们的心理资源集中到感兴趣事件的处理上,是一种重要的行为和认知过程。识别注意力状态对提高工作绩效、减少失误的发生具有重要意义。然而,至今还没有能够直接并客观检测注意力状态的方法。基于视觉注意对稳态视觉诱发电位(SSVEP)具有调节效应这一事实,本文设计了10 Hz稳态视觉刺激背景下的go/no-go实验范式,以探究不同视觉注意状态调制SSVEP特征的可分性。实验记录了15名在校研究生志愿者高、低视觉注意力状态下的脑电信号,高、低视觉注意力状态由行为学反应情况判定。研究分析了高、低视觉注意力状态下SSVEP信号的差异,并采用相关分类算法对这种差异进行了识别。结果表明,判别典型模式匹配(DCPM)算法相比线性判别分析(LDA)算法和典型相关分析(CCA)算法分类识别效果更佳,正确率可达76%。研究结果证明,不同视觉注意状态调制的SSVEP特征具有可分性,这为视觉注意力状态的监测提供了新方法。

关键词：视觉注意状态稳态视觉诱发电位判别典型模式匹配算法线性判别分析算法典型相关分析算法

来源：评论

学校读者我要写书评

暂无评论

人脸检测与跟踪在视频监控中的应用研究

人脸检测与跟踪在视频监控中的应用研究

引用

作者：计蕾集美大学

学位级别：硕士

随着信息技术的发展,基于生物特征的人脸识别应用领域非常广泛。鉴于人们对人脸识别的要求不断提高,越来越多的学者进行了更深层次的人脸检测相关研究和探索。探索人脸检测更为有效的方法,是视频监控技术走向实用化必须解决的一个关键问... 详细信息

随着信息技术的发展,基于生物特征的人脸识别应用领域非常广泛。鉴于人们对人脸识别的要求不断提高,越来越多的学者进行了更深层次的人脸检测相关研究和探索。探索人脸检测更为有效的方法,是视频监控技术走向实用化必须解决的一个关键问题,它经历了从最初的检测静态图像到实时视频的检测的过程。人脸检测干扰因素很多,其检测算法都存在计算量大、速度慢以及检测准确率低等不足。在人脸检测方面,用得比较多的是AdaBoost方法,AdaBoost方法具备很多优势,也存在一些不足。在试验中发现,尽管它可以检测实时视频,但在复杂的户外场景下,其人脸检测率还不够高,人脸检测准确率偏低,经常会出现错误检测、漏检测和重复检测的现象,把该方法应用于人脸检测还需要进一步的研究和改进。利用肤色信息来进行人脸检测不失为一种行之有效的方法。不过,在利用肤色进行的人脸检测法中,还无法摆脱外在环境带来的技术难题,肤色检测法也并不适合作为人脸检测的主要方法,仅能作为辅助性手段帮助识别人脸检测和跟踪。本文提出了一种Boost2-SVM算法,充分利用了AdaBoost的检测优势和支持向量机的学习泛化能力,结合了两种算法的优点,实验结果表明,改进后的算法,能切实提高人脸识别的精度。本文还提出了一种基于扩展二维线性判别分析方法的人脸识别算法。通过扩充人脸样本,提高了人脸识别的性能。同时在视频监控的实际应用环境中进行了仿真,通过仿真结果可以发现,本文改进后的算法在性能上和人脸识别精确度方面有了较大的提高。本文采用VC6.0编程语言,设计了人脸检测和跟踪系统。在实际测试过程中,实现了复杂背景下快捷进行人脸检测和跟踪。较传统技术纠错效果优势显著,检测率高,错检率低。实验结果表明,采用了新算法的系统具有实时性、准确性特点。

关键词：人脸检测视频监控 AdaBoost 支持向量机线性判别分析算法

来源：评论

学校读者我要写书评

暂无评论

一种基于LDAO的唇读特征提取算法

引用

计算机应用研究 2013年第1期30卷 288-290,294页

作者：何俊李赣平南昌大学信息工程学院南昌330031

在语音与唇读识别应用中,传统的LDA(linear discriminant analysis)算法一般以音节、半音节、HMM状态等基元为类别进行数据分段,经线性判别分析后获得的特征投影方向与识别率不直接相关,影响了识别率。提出了一种新的基于LDAO(linear di... 详细信息

在语音与唇读识别应用中,传统的LDA(linear discriminant analysis)算法一般以音节、半音节、HMM状态等基元为类别进行数据分段,经线性判别分析后获得的特征投影方向与识别率不直接相关,影响了识别率。提出了一种新的基于LDAO(linear discriminant analysis based on object)的唇读特征提取算法,该算法以待识别对象为类别进行线性判别分析,在理论上保证了唇读特征矢量向最具判别能力的方向投影。基于唇读数据库的实验证明,该算法明显优于现有各种唇读特征提取算法,比DCT+LDA算法识别率提高了3%。

关键词：唇读特征提取线性判别分析算法基于对象的线性判别分析算法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：