基于核主成分分析方法的标准化船型设计优化

合理选择船型、主尺度、船舶型线,减少船舶阻力,减少污染,降低能耗,保护环境,是船舶设计过程中应注意的十分重要的问题.但是最佳船型方案选择是一个复杂的多变量、多目标的系统优化工程.核主成分分析方法(KPCA)是目前一种常用的综合评价方法.它不仅具有优秀的主元提取性能,更尤其适合于处理非线性问题,对内河干散货运输船型设计优化具有很好的实际应用价值和指导作用.     

核主成分分析方法在船型方案综合评价中的应用

将用于综合评价的核主成分分析(KPCA)方法引入船型方案选优,通过算例分析,将该方法与传统层次分析(AHP)及交互式多目标决策方法进行对比,结果表明该方法在船型方案优选多目标决策问题上是适用和可靠的。     

改进的主成分分析方法

传统的主成分分析方法是针对原始数据的协方差矩阵进行奇异值分解,将原来多个变量构建为少数几个互不相关的主成分的一种统计方法,最终达到数据化简、揭示变量间的关系和进行数据解释的目的。但是,对于传统的主成分分析方法,输入信号的方差对其分析结果影响较大。因此,本文开展以相关函数矩阵为基础的主成分分析方法研究。     

基于多目标遗传算法和主成分分析的船型主尺度论证

为了解决船舶方案设计中面临的方案生成和决策问题,引入多目标遗传算法和综合评价方法,将船舶主尺度确定转换为多目标优化和决策评价问题,使用第二代快速非劣解排序的多目标遗传算法(NSGA II),在一个迭代周期获得多个可行解,采用主成分分析方法对备选解进行综合评价,按照主成分得分给出比较排序。以一艘水面船舶在概念设计阶段的船型主尺度论证为例,数值结果表明所采用的方法是可行的且具有较好的适应性。     

基于KPCA与KFDA的SAR图像舰船目标识别

针对SAR图像中舰船目标识别的问题,提出了基于核主成分分析(Kernel Principal Component Analysis,KPCA)和核Fisher判别分析(Kernel Fisher Discriminate Analysis,KFDA)相结合的舰船目标识别算法。用核主成分分析的方法对实测的SAR舰船目标数据进行特征降维,再结合核Fisher判别分析法对降维后的样本数据进行多类别分类。将该方法用于对实测的四类舰船目标进行识别,平均识别率可达91.25%。实验结果表明,核主成分分析与核Fisher判别分析相结合的方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率。     

基于KPCA与KFDA的SAR图像舰船目标识别

针对SAR图像中舰船目标识别的问题,提出了基于核主成分分析(Kernel Principal Component Analysis,KPCA)和核Fisher判别分析(Kernel Fisher Discriminate Analysis,KFDA)相结合的舰船目标识别算法.用核主成分分析的方法对实测的SAR舰船目标数据进行特征降维,再结合核Fisher判别分析法对降维后的样本数据进行多类别分类.将该方法用于对实测的四类舰船目标进行识别,平均识别率可达91.25%.实验结果表明,核主成分分析与核Fisher判别分析相结合的方法可提取目标的有效特征,在较低特征维数情况下获得较高的目标正确识别率.     

主成分分析方法在遥感数字图像处理中的应用综述

本文首先简要介绍了主成分分析的基本概念和原理;阐述了主成分分析,即K-L变换在遥感数字图像中的应用——数据压缩、图像增强、分类前预处理;然后探讨了国内外对于主成分分析在遥感图像处理方面的应用技术和手段以及应用范围;最后在分析该方法局限性的基础上,提出对主成分分析方法在遥感数字图像处理上的展望。     

基于WSEIAC模型的系统效能求解新算法

WSEIAC模型是武器系统效能评估经典模型。模型中能力向量矩阵通常根据经验数据由专家打分给定,不能准确与具体实验数据关联。新算法采用核主元分析方法,提取可信赖性向量矩阵的核主元比重,作为能力向量矩阵,提高了系统效能与具体数据间的准确关联性。     

多种代数特征抽取方法下的图像分类算法研究

文中分别用主成分分析、独立成分分析以及线性鉴别分析方法对图像进行特征抽取,同时采用K近邻算法和支持向量机算法进行人脸图像分类.通过在YALE人脸图像库上实验,结果表明:多种特征抽取方法下的图像分类算法是有效的.     

主成分分析在柴油机运转状况描述中的应用

主成分分析是多元数据统计分析方法的一种，文中将主成分分析方法原理，应用于柴油机工作状态的描述指标体系，经过矩阵变换、降低数据维数，以提取柴油机运转状况信息的主要特征。通过对6．135ZC柴油机台架试验数据的分析处理说明，在有用信息量损失较小的前提下，该方法可以提炼运转状态信息，是一种解决高维复杂系统状态描述问题的简便有效的统计方法。