基于PCA和神经网络的识别方法研究

合集下载

基于PCA—LDA与蚁群优化BP神经网络的人脸识别算法

基于PCA—LDA与蚁群优化BP神经网络的人脸识别算法作者：任金霞周慧娟来源：《软件导刊》2013年第11期摘要：针对人脸识别问题，提出了一种新的算法。

该算法利用融合的PCA和LDA算法进行特征提取，并使用蚁群优化的BP神经网络进行人脸识别。

使用融合的PCA和LDA算法对特征向量进行提取压缩，为了提高BP神经网络对人脸的分类精度和减少训练时间，使用蚁群算法优化BP神经网络的初始参数，并使用优化后的BP神经网络进行训练和人脸识别。

在ORL人脸数据库的仿真结果表明，该算法能有效提高人脸识别性能，具有较高识别率。

关键词关键词：人脸识别；PCA；LDA；蚁群优化；BP算法中图分类号：TP312文献标识码：A文章编号文章编号：16727800（2013）0110070040引言人脸识别是一种重要的生物特征识别技术，应用非常广泛。

与其他身份识别方式相比，人脸具有直接、友好和方便的特点。

人脸识别研究不仅具有重要的应用价值，而且在模式识别中具有重要的理论意义。

而人脸识别系统运行成功的关键在于对人脸特性的提取和分类器的设计＼[1＼]。

人脸识别的主要过程为预处理、特征提取以及分类识别。

预处理即为了提高图像质量而对图像进行尺度归一化和灰度均衡化等操作。

特征提取在人脸识别中非常重该规则预示：下半夜发生的抢劫案，若实施犯罪者为单人且为少年，可以锁定该犯罪嫌疑人是贵州籍，且文化程度为小学。

取值支持度阈值=4，置信度=9时，从结果中抽一条规则：from 上半夜；共同作案；少年； calc 上半夜；少年；->共同作案；： 1.0//规则说明：from L（支持度大于已设定支持度阀值）；calc S->L-S（关联规则）；：Num（置信度）该规则的预示：发生在上半夜的抢劫案，如实施犯罪者为少年，一定还有同伙。

对比可知，提高支持度阈值和置信度阈值，可提高挖掘结果的可靠性，但发现的关联规则也大大减少。

因此，根据用户的兴趣程度和实效评估，及时调整相关参数，对于关联规则挖掘在某一领域的应用至关重要。

基于PCA和LDA改进算法的人脸识别技术研究

基于PCA和LDA改进算法的人脸识别技术研究人脸识别是一种通过计算机视觉和模式识别技术来识别和验证人脸的生物特征，并将其与已知的人脸进行匹配的技术。

近年来，随着计算机算力的提升和人工智能技术的发展，人脸识别技术得到了广泛的应用，例如人脸解锁、人脸支付等。

PCA（Principal Component Analysis，主成分分析）和LDA（Linear Discriminant Analysis，线性判别分析）是两种常见的降维方法，用于从高维数据中提取有用的特征。

基于这两种方法的人脸识别技术研究已经得到了广泛关注。

PCA是一种无监督学习方法，通过将高维数据投影到低维子空间中，保持数据的大部分方差，从而达到降维的目的。

在人脸识别中，PCA可以通过计算训练集中人脸图像的协方差矩阵，然后提取其特征向量和特征值，选择前k个特征向量作为主成分，将人脸图像投影到主成分空间中。

在测试阶段，将待识别的人脸图像也投影到主成分空间中，通过计算其与训练集中人脸图像的距离，来判断其身份。

PCA的一个问题是它在无监督降维的可能忽略了一些与分类有关的信息。

为了解决这个问题，可以利用LDA来增加分类的准确性。

LDA是一种有监督学习方法，它通过最大化类别之间的差异性和最小化类别内的方差，选择最佳的投影方向。

在人脸识别中，LDA可以通过计算训练集中各类别的均值和类内散度矩阵，得到最佳的投影方向。

在测试阶段，将待识别的人脸图像投影到最佳的投影方向上，通过计算其与训练集中各类别的距离，来判断其身份。

由于PCA和LDA均是线性方法，它们对于人脸图像的非线性变化不敏感。

为了提高人脸识别的准确性，可以将PCA和LDA与非线性方法相结合，例如核技巧（kernel trick）。

通过将人脸图像映射到一个高维的特征空间中，利用核函数来计算其与训练集中人脸图像的相似性。

还可以利用深度学习方法来改进人脸识别技术。

深度学习是一种通过构建多层神经网络来学习数据特征的方法，它可以自动地学习人脸图像中的高级特征。

基于PCA和神经网络的识别方法研究

பைடு நூலகம்
１前言
在某冷机集团电器分公司建立的管理信息系统中，控制图分析是其质量管理子系统的最重要的基本功能。生产过程中若
统汁分析方法，将分散在一组变量上的信息集中到某几个综合指标（主成分），上每一个主成分都是原始变量的线性组合，主成分之间互为正交关系，从而达到数据降维和剔除冗余信息的
常因素造成的不同异常模式。针对这一问题展开研究，用主成分分析法作为前处理过程进行样本集的选择与优化，提出了基于
ＰＣＡ
一
关键词：质量控制图；主成分分析；神经网络；模式识别文章编号：０２８３（０７２ — ２６０文献标识码：中图分类号：Ｈ１５１０ — ３１２０）５０４ — ３ＡＴ６
２ＳｈｏｆＥｌｃｒａｎｌｃｒｎｃＥｎｉｅｒｇＥｓＣｈｎｉｏｏｇＵｎｖｒｉＮａｃａｇ３０１，ｈｎ．ｃｏｌｏｅｔｃｌａｄＥｅｔｉｇｎｅｎ，ａｔｉｏｉｉａＪａｔｎｉｅｓｔｙ，ｎｈｎ３０Ｃｉａ３
ｉｔｌｇｎｅｏｎｔｎｎｅｌｅｔｒｃｇｉｏｍｅｈｄｂｓｄｏｒｃｐｌｃｍｐｎｎｎｌｓｓａｄｅｒｌｎｔｏｋＴｅｐｎｉａｏｏｅｔａａｙｉｓｕｅｉｉｔｏａｅｎｐｎｉａｏｏｅｔａａｙｉｎｎｕａｅｗｒ，ｈｒｃｐｌｃｍｐｎｎｎｌｓｓｉｓｄｉｉｔｒｃｓｈａｌａａｏｐｏｅｓｔｅｓｍｐｅｄｔ．

基于2DPCA和RBF神经网络的人脸识别方法

ＢＡＩＸｕ－ｅ．ＩｅｆｉＬＲｕ．ｃｒｃｇｉｏｍｅｈｄａｅｏ２ＣＡａｄＲＢＦｅｔａｎｔｒ．ｍｐｔｒＦａｅｅｏｎｔｎｉｔｏｂｓｄｎＤＰｎｎｕｒｌｅｗｏｋＣｏｕｅＥｎｉｅｒｎａｄｇｎｅｉｇｎ
也更快。
或列向量转化为高维矢量，然后采用主成分分析将高维人脸空
间中的数据通过一个变换矩阵映射到低维的特征空间中，从而得到人脸图像的特征值。由于所选取的变换矩阵的每一列分别对应于训练样本的协方差矩阵的一个特征矢量，而人脸图像的分辨率导致人脸空间的维数比较高，因此求解训练样本的协方差矩阵的计算量非常大。为了克服求解特征脸方法中存在的计算量问题，献【】出了二维主成分分析方法，文２提有效地解决了传统ＰＡ方法中的计算量问题，Ｃ并得到更高的识别率。
计算时间。综合以上特点，ＰＡ在图像处理领域备受关注，２ＣＤ
并且已经很好地应用于人脸识别等图像领域。基于ＯＬ与Ｒ
Ｙｌ人脸数据库的实验结果表明，ＤＣａｅ２ＰＡ算法用于人脸识别
的正确识别率比ＰＡ高、Ｃ特征提取比ＰＡ算法更有效且速度Ｃ
Ａｐｌａｉｎ，０７４（４：０ — ０．ｐｉｔｓ２０，３３）２０２３ｃｏ
ＡｂｔａｔＡｅｐｒａｈｆｒｈｍａａｅｅｏｎｔｎａｅｏ２ＣａｄＲＢｅｔａｅｗｒｉｐｏｏｅ．ｈｓｓｒｃ：ｎｗａｐｏｃｏｕｎｆｃｒｃｇｉｏｂｓｄｎＤＰＡｎＦｎｕｒｌｔｏｋｓｒｐｓｄＴｉｉｎｍｅｈｄｉｔｏｓｔｓｅｏｔｅｔｎａｄｅｔｄｎｈｓａｄｒＯＲＬａｅａａａｅＥｐｒｎａｒｓｌｄｍｏｓｒｔｈｔｈｃｍｂｎｄｆｃｄｔｂｓ．ｘｅｍｅｔｌｅｕｔｅｎｔａｅｉｓｔａｔｅｏｉｅｍｅｈｄａｅｏ２ＣａｄｔｏｂｓｄｎＤＰＡｎＲＢＮＮａａｈｅｅｂｔｒｅｆｒａｃｉｒｃｇｉｏａｃｒｅｔａｏｈｒＦｃｎｃｉｖａｅｔｐｒｍｎｅｎｅｏｎｔｎｃｕａｙｈｎｔｅｍｅｈｄｎｔｉｅｏｉｔｏａｄｈｓｍｅｈｄｏｔｅｓｃｍｐｔｔｎｌｔｏｃｓｌｓｏｕａｉａｏ

本科毕业论文-—基于opencv的图像识别

基于2DPCA的人脸识别算法研究摘要人脸识别技术是对图像和视频中的人脸进行检测和定位的一门模式识别技术，包含位置、大小、个数和形态等人脸图像的所有信息。

由于近年来计算机技术的飞速发展，为人脸识别技术的广泛应用提供了可能，所以图像处理技术被广泛应用了各种领域。

该技术具有广阔的前景，如今已有大量的研究人员专注于人脸识别技术的开发。

本文的主要工作内容如下：1)介绍了人脸识别技术的基础知识，包括该技术的应用、背景、研究方向以及目前研究该技术的困难，并对人脸识别系统的运行过程以及运行平台作了简单的介绍。

2)预处理工作是在原始0RL人脸库上进行的。

在图像的预处理阶段，经过了图象的颜色处理，图像的几何归一化，图像的均衡化和图象的灰度归一化四个过程。

所有人脸图像通过上述处理后，就可以在一定程度上减小光照、背景等一些外在因素的不利影响。

3)介绍了目前主流的一些人脸检测算法，本文采用并详细叙述了Adaboost人脸检测算法。

Adaboost算法首先需要创建人脸图像的训练样本，再通过对样本的训练，得到的级联分类器就可以对人脸进行检测。

4)本文介绍了基于PCA算法的人脸特征点提取，并在PCA算法的基础上应用了改进型的2DPCA算法，对两者的性能进行了对比，得出后者的准确度和实时性均大于前者，最后将Adaboost人脸检测算法和2DPCA算法结合，不仅能大幅度降低识别时间，而且还相互补充，有效的提高了识别率。

关键词：人脸识别 2DPCA 特征提取人脸检测2DPCA Face Recognition Algorithm Basedon The ResearchAbstract：Face recognition is a technology to detect and locate human face in an image or video streams,Including location, size, shape, number and other information of human face in an image or video streams.Due to the rapid development of computer operation speed makes the image processing technology has been widely applied in many fields in recent years. This paper's work has the following several aspects:1)Explained the background, research scope and method of face recognition,and introduced the theoretical method of face recognition field in general.2)The pretreatments work is based on the original ORL face database. In the image preprocessing stage, there are the color of the image processing, image geometric normalization, image equalization and image gray scale normalization four parts. After united processing, the face image is standard, which can eliminate the adverse effects of some external factors.3)All kinds of face detection algorithm is introduced, and detailed describing the Adaboost algorithm for face detection. Through the Adaboost algorithm to create a training sample,then Training the samples of face image,and obtaining the cascade classifier to detect human face.4)This paper introduces the facial feature points extraction based on PCA ,and 2DPCA is used on the basis of the PCA as a improved algorithm.Performance is compared between the two, it is concluds that the real time and accuracy of the latter is greater than the former.Finally the Adaboost face detection algorithm and 2DPCA are combined, which not only can greatly reduce the recognition time, but also complement each other, effectively improve the recognition rate.Key words：Face recognition 2DPCA Feature extraction Face detection目录第1章前言 (1)1.1 人脸识别的应用和研究背景 (1)1.2 人脸识别技术的研究方向 (2)1.3 研究的现状与存在的困难 (3)1.4 本文大概安排 (4)第2章人脸识别系统及软件平台的配置 (4)2.1 人脸识别系统概况 (4)2.1.1 获取人脸图像信息 (5)2.1.2 检测定位 (5)2.1.3 图像的预处理 (5)2.1.4 特征提取 (6)2.1.5 图像的匹配与识别 (6)2.2 OpenCV (6)2.2.1 OpenCV简介 (6)2.2.2 OpenCV的系统配置 (7)2.3 Matlab与图像处理 (8)第3章图像的检测定位 (8)3.1 引言 (8)3.2 人脸检测的方法 (8)3.3 Adaboost算法 (9)3.3.1 Haar特征 (10)3.3.2 积分图 (10)3.3.4 级联分类器 (11)第4章图像的预处理 (13)4.1 引言 (13)4.2 人脸图像库 (13)4.3 人脸预处理算法 (14)4.3.1 颜色处理 (14)4.3.2几何归一化 (15)4.3.3直方图均衡化 (16)4.3.4灰度归一化 (18)4.4 本章小结 (19)第5章图像的特征提取与识别 (19)5.1 引言 (19)5.2 图像特征提取方法 (20)5.2.1基于几何特征的方法 (20)5.2.2基于统计的方法 (20)5.2.3弹性图匹配(elastic graph matching) (21)5.2.4神经网络方法 (21)5.2.5支持向量机(SVM)方法 (22)5.3 距离分类器的选择 (22)5.4 PCA算法的人脸识别 (24)5.5 二维主成分分析（2DPCA） (25)5.5.1 2DPCA人脸识别算法 (25)5.5.2 特征提取 (27)5.5.3 分类方法 (27)5.5.4 基于2DPCA的图像重构 (28)5.6 实验分析 (28)第6章总结与展望 (33)6.1 本文总结 (33)6.2 未来工作展望 (33)致谢 (34)参考文献： (35)第1章前言1.1 人脸识别的应用和研究背景随着社会科学技术的发展进步，特别是最近几年计算机的软硬件技术高速发展，以及人们越来越将视野集中到快速高效的智能身份识别，使生物识别技术在科学研究中取得了重大的进步和发展。

基于PCA技术的神经网络说话人识别研究

２ｉｎｌｃｏｉＳｉｃｎｅｈｏｏｙＩｓｔｔ，ｅｉｇ１０７，ｈｎ．ｊｇＥｅｔｎｃｃｎｅａｄＴｃｎｌｇｎｔｕｅＢｉｎ０００ＣｉａＢｅｉｒｅｉｊＥｍａｌｙｌ＠ｂｓ． — ｉ：ｕｑｅｔｃｉｎ
１安电子科技大学通信工程学院，．西西安７０７１０１２京电子科技学院计算机科学与技术系，．北北京１０７０００
１．ｌｇｅＣｏｌｅｏｆＣｏｍｍｕｃｔｏＥｎｎｅｒｎＸｉｉｎｎｉａｉｎｇｉｅｉｇ，ｄａＵｎｉｒｉＸｉａｖｅｓｔｙ， ’ ｎ７１０７１，０Ｃｈｉａｎ
大于１００％以上的特征值。这样提取出来的其实经实验发现这种方式
相互联系使语音特征信息存在冗余，致使Ｂ网络识别率这也Ｐ
Ｋｅｏｄ：ＰｉｃａＣｍｐｎｎｓＡａｙｉＰＡ）ｖｉｅｃａａｔｒｐｒｍｅｅｓＢｅｒｌｅｏｋｙｗｒｓｒｉｌｏｏｅｔｎｌｓ（Ｃ；ｏｃｈｒｃｅａａｔ；Ｐｎｕａｎｔｒｎｐｓｒｗ
摘要：对当提取以整段语音的多维语音特征参数为Ｂ针Ｐ神经网络输入而带来的说话人识别率和网络训练稳定性的问题，出提了一种用于ＢＰ网络的基于主分量分析的ＰＡ新方法。将该方法得到的降维语音特征参数用于ＢＣＰ网络中，其识别率和训练速度都得到较大提高，使得基于ＢＰ神经网络的说话人识别得到更好效果。
ｒｍｅｅｓｒｕｈｔｅｅｏｎｔｎａｅｎｔｅｅｗｏｋｔｂｌｐｏｌｍｓＴｉｐｐｒｒｐｓｓｎｗｍｅｏｏｒｎｉａａｔｒｂｏｇｔｈｒｃｇｉｏｒｔａｄｈｎｔｒｓａｉｔｉｉｙｒｂｅ．ｈｓａｅｐｏｏｅａｅｈｔｄｆＰｉｃｐｌ

人脸识别的方法

人脸识别技术的基本方法人脸识别的方法很多，主要的人脸识别方法有：（1）几何特征的人脸识别方法：几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。

这些算法识别速度快，需要的内存小，但识别率较低。

（2）基于特征脸（PCA）的人脸识别方法：特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。

高维的图像空间经过KL 变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。

如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。

这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。

目前有一些改进型的特征脸方法。

（3）神经网络的人脸识别方法：神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。

这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。

（4）弹性图匹配的人脸识别方法：弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。

该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。

（5）线段Hausdorff 距离(LHD) 的人脸识别方法：心理学的研究表明，人类在识别轮廓图（比如漫画）的速度和准确度上丝毫不比识别灰度图差。

LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。

实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。

基于PCA和神经网络的人脸识别算法研究

基于PCA和神经网络的人脸识别算法研究作者：唐赫来源：《软件导刊》2013年第06期摘要：在MATLAB环境下，取ORL人脸数据库的部分人脸样本集，基于PCA方法提取人脸特征，形成特征脸空间，然后将每个人脸样本投影到该空间得到一投影系数向量，该投影系数向量在一个低维空间表述了一个人脸样本，这样就得到了训练样本集。

同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。

然后基于最近邻算法进行分类，得到识别率，接下来使用BP神经网络算法进行人脸识别，最后通过基于神经网络算法和最近邻算法进行综合决策，对待识别的人脸进行分类。

关键词：人脸识别；主成分；BP神经网络；最近邻算法中图分类号：TP311文献标识码：A文章编号：1672-7800（2013）006-0033-02作者简介：唐赫（1989-），女，武汉理工大学理学院统计系硕士研究生，研究方向为人脸图像识别、遥感图像、统计预测决策。

0引言特征脸方法就是将人脸的图像域看作是一组随机向量，可以从训练图像中，通过主元分析得到一组特征脸图像，任意给定的人脸图像都可以近似为这组特征脸图像的线性组合，用组合的系数作为人脸的特征向量。

识别过程就是将人脸图像映射到由特征脸组成的子空间上，比较其与已知人脸在特征脸空间中的位置。

经典的特征脸方法是采用基于欧氏距离的最近中心分类器，比较常用的是基于欧氏距离的最近邻。

1算法流程（1）读入人脸库。

每个人取前5张作为训练样本，后5张为测试样本，共40人，则训练样本和测试样本数分别为N=200。

人脸图像为92×112维，按列相连就构成N=10 304维矢量x-j，可视为N维空间中的一个点。

（2）构造平均脸和偏差矩阵。

（3）计算通（4）计算训练样本在特征脸子空间上的投影系数向量，生成训练集的人脸图像主分量allcoor-200×71。

（5）计算测试样本在特征脸子空间上的投影系数向量，生成测试集的人脸图像主分量tcoor-200×71。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

所示。输入层为经过处理的加工过程质量特征参数观测值；输
出层６个节点，为６种控制图模式类型。一个样本数据组输入
网络则输出一含６个元素的输出向量来区分不同的模式：
作者简介：杨静，女，讲师，研究方向：控制系统分析与综合、智能控制；毛宗源，教授，博导，研究方向：工业自动化、智能控制。
１前言
在某冷机集团电器分公司建立的管理信息系统中，控制图分析是其质量管理子系统的最重要的基本功能。生产过程中若受到了某种异常干扰造成的产品质量异常波动会在质量控制图上显示出。通过对控制图模式识别，可以了解生产过程状态，及时发现异常，改进生产方式，提高公司产品质量。
Ａｂｓｔｒａｃｔ：ＱｕａｌｉｔｙＣｏｎｔｒｏｌＣｈａｒｔｓｉｓａｎｉｍｐｏｒｔａｎｔｔｏｏｌｏｆＳｔａｔｉｓｔｉｃａｌＰｒｏｃｅｓｓＣｏｎｔｒｏ（ｌＳＰＣ）ｕｎｄｅｒｔｈｅＣｏｎｔｅｍｐｏｒａｒｙＩｎｔｅｇｒａｔｅｄＭａｎｕｆａｃｔｕｒｉｎｇＳｙｓｔｅｍ（ＣＩＭＳ）ｅｎｖｉｒｏｎｍｅｎｔ，ａｎｄｉｎｐｒａｃｔｉｃｅｉｔｉｓｍｏｓｔｄｉｆｆｉｃｕｌｔｔｏｉｄｅｎｔｉｆｙｕｎｎａｔｕｒａｌｐａｔｔｅｒｎｓｗｈｉｃｈａｒｅａｓｓｏｃｉａｔｅｄｗｉｔｈａｓｐｅｃｉｆｉｃｓｅｔｏｆａｓｓｉｇｎａｂｌｅｃａｕｓｅｓｏｎＱｕａｌｉｔｙＣｏｎｔｒｏｌＣｈａｒｔｓ．Ｔｈｉｓｐａｐｅｒｄｉｓｃｕｓｓｅｓａｂｏｕｔｃｏｎｔｒｏｌｃｈａｒｔｓｐａｔｔｅｒｎ，ａｎｄｔｈｅｎｐｒｏｐｏｓｅｓｉｎｔｅｌｌｉｇｅｎｔｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｔｈｅｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓｉｓｕｓｅｄｔｏｐｒｏｃｅｓｓｔｈｅｓａｍｐｌｅｄａｔａ．Ｋｅｙｗｏｒｄｓ：ＱｕａｌｉｔｙＣｏｎｔｒｏｌＣｈａｒｔｓ；ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ｎｅｕｒａｌｎｅｔｗｏｒｋ；ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ
…
…
…
０．１６１０－０．０７０１－０．０４８０
０．０６７５
０．１６１７－０．０７４２－０．０４４８
０．００６０
０．１５７４－０．０７５４－０．００３３
０．１２２４
表２原始数据的主成分值
样本（６００组）１２３４５６７８９１０１１１２ …
２４６２００７，４３（２５）
ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用
基于ＰＣＡ和神经网络的识别方法研究
杨静１，２，毛宗源１ＹＡＮＧＪｉｎｇ１，２，ＭＡＯＺｏｎｇ－ｙｕａｎ１
１．华南理工大学自动化科学与工程学院，广州５１０４６０２．华东交通大学电气与电子工程学院，南昌３３００１３１．ＣｏｌｌｅｇｅｏｆＡｕｔｏｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０６４０，Ｃｈｉｎａ２．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＥａｓｔＣｈｉｎａＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｃｈａｎｇ３３００１３，ＣｈｉｎａＥ－ｍａｉｌ：ｊｉｎｇｙ１１＠１６３．ｃｏｍ
表２所示。表１前１７个特征值对应的特征向量
３样本数据的生成
对神经网络进行训练和测试需要Fra bibliotek定数量的样本集，然而
很难在生产现场获取充分而且有效的样本数据集，本文采用蒙
特卡洛模拟法（Ｍｏｎｔｅ－Ｃａｒｌｏ）［１－４］来模拟生成不同模式用的训练
和测试样本数据集：
本文提出基于主成分分析法和改进ＢＰ算法相结合的方法进行目标分类，用于ＣＣＰ识别：主成分分析法作为前处理过程进行样本集的选择与优化，而达到数据降维和剔除冗余信息，同时采用改进的ＢＰ算法，将自适应改变学习率和动量批梯度下降结合起来。仿真实验表明，采用新方法，识别速度和识别率得到了提高。
ｙ（ｔ）＝"＋ｎ（ｔ）＋ｄ（ｔ）
（１）
式（１）中：ｙ（ｔ）为加工过程的质量特征参数观测值； " 为处于控
制状态下（ｉｎｃｏｎｔｒｏｌ）的质量特征参数的平均值；ｎ（ｔ）为由偶然
因素引起的随机误差（不失一般性： #＝１， "＝０即服从标准正
原始数据Ｘ，从而使变量维数降低（ｍ＜ｐ），而且不失原始变量
中的太多信息。
２．２神经网络
ＢＰ神经网络是由具有非线性映射能力的神经元组成的
前馈分层网络结构，利用误差反向传播训练算法调节神经元
连接的权值大小。本文采用三层的ＢＰ网络，结构模型如图１
０．０１￣５）；
阶跃模式：ｙ（ｔ）＝"＋ｎ（ｔ） ±ｖ＊ｓ
（４）
ｖ＝０（阶跃之前）或ｖ＝１（阶跃之后），ｓ阶跃变化幅度（取０．６）；
循环周期模式：ｙ（ｔ）＝"＋ｎ（ｔ）＋ａ＊ｓｉｎ（２πｔ／Ω）
（５）
ａ为循环模式的变化幅度（取０．６）， Ω为循环模式的周期（取８）。
应６种控制图模式，每种模式分成１００组样本集，每组样本集６０个向量（样本）。
利用主成分分析方法求取原始数据的特征值 λ１， λ２， …， λ６０：（２５．７３５６，５．４４０８，４．７３７７，３．１７９３，２．８５２３，２．４９８８，１．４５７６，０．８９０２，０．５９２０，０．５１９３，０．４７１９，０．４４７３，０．４４２６，０．４２０９，０．４０６９，０．３９７３，０．３７８７，０．３７２９， …，０．０００６）。取前１７个较大的特征值，方差贡献之和为８５．４％，对应的特征向量Ｅ如表１所示，利用特征向量与原始样本数据相乘得出原始数据的主成分如
ＰＣＡ１－０．２４２１
ＰＣＡ２１．８６９２
ＰＣＡ３ … ＰＣＡ１７
摘要：在计算机集成制造系统环境下，质量控制图是统计过程控制的重要工具，实际应用中最困难的是识别出控制图中由于异常因素造成的不同异常模式。针对这一问题展开研究，用主成分分析法作为前处理过程进行样本集的选择与优化，提出了基于ＰＣＡ＿改进ＢＰ算法的控制图模式智能识别方法。关键词：质量控制图；主成分分析；神经网络；模式识别文章编号：１００２－８３３１（２００７）２５－０２４６－０３文献标识码：Ａ中图分类号：ＴＨ１６５
２主成分分析和神经网络２．１主成分分析
主成分分析（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）是一种
统计分析方法，将分散在一组变量上的信息集中到某几个综合
指标（主成分）上，每一个主成分都是原始变量的线性组合，主
成分之间互为正交关系，从而达到数据降维和剔除冗余信息的
作用。
设Ｘ＝（Ｘ１，Ｘ２， … ，ＸＰ）为加工过程质量特征参数观测值矩阵，Ｘｉ＝（Ｘ１ｉ，，Ｘ２ｉ， …，Ｘｎｉ），Ｐ为变量数，ｎ为样本数。先对原始数
据标准化，求Ｘ矩阵的平均值Ｘ! 、协方差矩阵∑和样本相关矩
特征值（６０组）
特征向量
λ１－０．１７２８
λ２０．０１０６
λ３
…
－０．００３６
λ１７０．０４９４
－０．１７１２－０．０１８４０．００９８
－０．００６９
－０．０６５９－０．０２１３０．０２９９
－０．０６５９
－０．１５９７－０．０４０１０．０４１０
利用式（１）－式（５），生成６种控制图的模式，如图２所示。
４仿真分析
按照上文式（１）－式（５），同时模拟实际质量控制图的绘制过程，生成原始质量特征参数观测数据６×１００×６０×４个，合并４个数据并求取平均值，就生成了６×１００×６０个样本数据，分别对
近期国内外许多专家利用人工神经网络进行异常控制图模式（ＣｏｎｔｒｏｌＣｈａｒｔｓＰａｔｔｅｒｎｓ，ＣＣＰ）识别。ＢＰ神经网络是目前应用较多的一种模式识别方法，利用其对目标进行分类，若前端输入太多的质量特征样本量，则会降低网络的训练速度与效率，严重时会导致网络不收敛，所以要对输入的样本进行预处理。
杨静，毛宗源：基于ＰＣＡ和神经网络的识别方法研究
２００７，４３（２５）２４７