导读:本文包含了线性特征提取方法论文开题报告文献综述及选题提纲参考文献，主要关键词:ObjectARX,古建筑构件,几何特征,叁维重建
线性特征提取方法论文文献综述
赵锦竹,张旭[1]（2018）在《基于ObjectARX技术提取古建筑构件几何线性特征的方法研究》一文中研究指出本文对于古建筑构件的结构进行特征分析,采用Object ARX技术对古建筑构件中比较典型的结构斗拱和檐柱进行建模,同时又对提取古建筑构件几何特征的方法进行研究取得了较为理想的效果,对于古建筑的快速叁维重建和文物数字化保护都有重要意义。(本文来源于《科学技术创新》期刊2018年26期）
盛智勇,张新燕,王彦平,曲洪权[2]（2018）在《光纤振动信号特征提取及线性分类方法》一文中研究指出在光纤预警系统(OFPS)中产生的入侵事件主要分为有害入侵和无害入侵。目前对于这两类扰动常规的特征提取方法通常是采用时域分析,但是对于不同有害入侵事件其时域特征区分不明显,因此时域处理不能更好体现它们之间的细节差别。通过对有害入侵信号的频谱进行统计研究发现,不同信号的频谱分布存在较为明显的差异性,因此本文将入侵信号变换到频域并借鉴声信号的处理方法,提出了一种基于能量占比特征的有害入侵事件识别算法。对采集到的振动信号进行预处理并计算功率谱密度(PSD),计算各信号不同频段的能量占比,并将其作为信号分类识别的特征。之后将能量占比特征作为样本送入分类器进行OFPS振动信号识别。在分类器的选择上,本文采用线性判别分析(LDA)分类器对信号进行识别,LDA能最大限度的保持原始数据信息,并有效区分振动信号。通过实验结果表明该算法在OFPS振动信号的识别研究中提高了有害入侵信号的识别率,从而验证了本算法的可行性,同时有效减少了识别时间。(本文来源于《光电子·激光》期刊2018年07期）
佘青山,马鹏刚,马玉良,孟明[3]（2017）在《基于张量线性拉普拉斯判别的肌电特征提取方法》一文中研究指出为了有效分析表面肌电(sEMG)信号蕴含的时-频-空域多维特征,提出了一种基于张量线性拉普拉斯判别(TLLD)的sEMG特征提取方法.首先对sEMG信号做复Morlet小波变换,构造具有时间、空间、频率、任务的四阶张量数据;然后运用TLLD分析方法获得投影矩阵,把训练集和测试集分别投影在投影矩阵中获得具有较大区分度的特征;最后使用分类器对腕屈、腕伸、上臂内旋、上臂外旋、握拳、伸拳6种动作模式进行识别.实验结果表明,所提方法平均分类准确率达到了98%以上,识别性能优于均方根、自回归系数、张量高阶判别分析3种特征提取方法.(本文来源于《东南大学学报(自然科学版)》期刊2017年06期）
胡青璞[4]（2016）在《线性编码框架下的图像特征提取及识别方法研究》一文中研究指出图像分类识别是目前计算机视觉和模式识别领域的一个研究热点。其中,基于线性编码分类器的图像识别方法因其识别效率较高,受到了国内外学者的广泛关注。然而,现有的基于线性编码的识别方法在图像存在光照变化、视角变化、遮挡或者像素污染等情况下,鲁棒性较差,从而导致最终的识别效果不佳。本文在线性编码框架下,对图像特征提取及识别进行了深入系统的研究,主要创新点如下:1)提出一种用于稀疏表示分类器(Sparse representation-based classification,SRC)的特征提取方法——稀疏嵌入投影(Sparsity embedding projections,SEP)。该方法寻求一个低维嵌入子空间,使得在该子空间中,与测试样本同类的训练样本所对应的表示系数得到增强,而所有与测试样本不同类的训练样本所对应的表示系数得到压缩,从而导致正确类对应的重构误差小于错误类对应的重构误差,进而使SRC能够对测试样本正确分类。具体地,给定一个训练样本矩阵,该方法首先尝试求解一个能在增强样本数据类内重构关系的同时,压缩其类间重构关系的低维嵌入子空间;然后,将训练样本图像和测试样本图像分别投影到该子空间中;最后,采用SRC对测试样本进行分类识别;2)研究发现,低秩性可以揭示样本数据的子空间结构,而稀疏性可以帮助图像分类识别。结合稀疏性和低秩性的特点,本文提出一种基于低秩稀疏表示分类器(Low rank sparse representation-based classification,LRSRC)的图像识别方法。具体地,给定一组测试样本,首先在所有训练样本上寻找测试样本组的最低秩且最稀疏表示矩阵;然后,基于每个测试样本的最低秩稀疏表示向量,对每个测试样本进行重构并计算其类重构误差;最后,根据最小类重构误差完成对每个测试样本的分类识别;3)提出一种自适应局部约束正则化鲁棒编码(Adaptive locality-constrained regularized robust coding,ALRRC)图像识别方法。由于在编码过程中同时考虑了样本数据特征的重要性和样本数据的空间局部性,因此,ALRRC可以使用那些更“真实”的最近邻训练样本来表示测试样本。具体地,给定一个测试样本,该方法首先自适应地计算用于衡量测试样本每个特征重要性的特征权重,并基于这些权重,得到加权测试样本和所有加权训练样本;然后,基于加权测试样本和所有加权训练样本间的相似关系,得到一个局部约束矩阵。由于加权测试样本和所有加权训练样本已经尽可能地降低了异常特征的影响,因此,该局部约束矩阵可以更“真实”地描述样本数据的空间局部特性;最后,将样本特征权重和局部约束矩阵同时融入到一个统一的线性编码框架中,求解测试样本的表示系数向量,进而计算最小加权类重构误差,完成对测试样本的分类识别。在COIL-20、Extended Yale B、CMU PIE和AR数据库上的大量实验表明,本文提出的叁种图像识别方法具有较高的识别率和更强的鲁棒性。(本文来源于《河南大学》期刊2016-06-01）
葛倩倩[5]（2015）在《线性特征提取方法及其在人脸识别中的应用》一文中研究指出人脸识别是基于人的面部特征信息进行身份识别的一种生物识别技术。特征提取作为人脸识别的关键模块,主要解决如何从人脸图像数据中提取有效的面部特征信息问题。主成分分析和线性判别分析的提出具有里程碑式的意义,使人脸识别技术迎来春天,遗憾的是当时的人脸识别技术没有得到商业化应用。如今人脸识别技术无疑是安防领域的一支潜力股,而其发展趋势主要受限于特征提取方法的性能,因此提取出能够反映人脸图像数据内在本质性鉴别信息是识别任务的重点和难点。这也是本文探讨的核心内容,具体工作如下:首先,介绍了基于主成分分析和线性判别分析的特征提取方法的基本原理,并针对它们在人脸识别中存在的具体问题,介绍了一些有效的改进方法。结合人脸数据库上的仿真实验分析它们的优势与不足,为后续改进方法提供理论依据。其次,针对非参数最大边缘准则对边界样本比较敏感,使估计的散度矩阵存在误差问题,提出了基于广义瑞利熵的非参数特征提取方法。通过将样本点与其同类最远的k个样本相互靠近,同时与其异类最近的k个样本相互远离,降低边界样本对估计散度矩阵的影响。在类间散度矩阵的计算中引入权重因子,有利于削弱有限样本条件下的散度矩阵的估计误差。采用广义瑞利熵准则迭代求解投影向量,有效解决散度矩阵的秩对投影向量个数的限制问题。在3个人脸库上的仿真实验结果进一步表明所提方法的有效性。最后,为了增强基于Gabor特征识别方法的泛化能力,本文结合增强学习和多线性主成分分析,提出基于图像Gabor特征的增强型特征提取方法。首先,采用MPCA对Gabor特征降维得到低维的Gabor特征。然后,少量具有判别性的Gabor特征训练一组基于NMMC准则的基分类器,并根据置信度集成。训练学习器之前的MPCA操作保留了Gabor特征的空间结构信息,大大减少了处理Gabor特征的复杂度。训练学习器时采用的交叉验证机制以及Gabor特征的维数都提供了控制NMMC学习器弱化性能的方式。人脸数据库上的仿真结果表明所提方法的有效性,提升了基于图像Gabor特征的人脸识别方法的识别率。(本文来源于《西安电子科技大学》期刊2015-12-01）
胡峰,苏讯,刘伟,吴雨川,范良志[6]（2015）在《基于改进局部线性嵌入算法的故障特征提取方法》一文中研究指出针对局部线性嵌入算法在故障特征提取中易受异常特征值、邻域大小和嵌入维数等因素影响的问题,对局部线性嵌入方法的重构权值估计模型、邻域大小和嵌入维数估计模型进行改进。用互相关熵取代欧式距离用于向量相似度测量,提出基于互相关熵的重构权值估计模型,并且采用拉格朗日展开式和拉格朗日乘子法进行模型简化降低计算复杂度,达到降低异常特征值对特征提取精度影响的目的。应用Ncut准则建立邻域大小和嵌入维数的估计模型,实现参数的自动选取。将改进的局部线性嵌入方法应用于轴承故障特征提取,并与其它方法进行比较,结果表明推荐方法的特征提取精度更高。(本文来源于《振动与冲击》期刊2015年15期）
张勇,党兰学[7]（2015）在《线性判别分析特征提取稀疏表示人脸识别方法》一文中研究指出针对稀疏表示分类(SRC)算法采取随机脸法提取的数据特征判别力较弱问题,提出一种线性判别分析特征提取稀疏表示人脸识别方法.该方法首先采用线性判别分析算法求解最优判别投影子空间,然后把训练样本投影到该子空间以提取相应的数据特征,并用训练样本的数据特征做字典来表示测试样本数据特征.更进一步来说就是,通过提取出测试样本稀疏特征的向量,和测试样本的数据特征进行比对找出其联系和差别并表示出比对后的残差.最后根据构造的残差找出样本的类别来实现其识别目的.通过在Extend Yale B和CMU PIE人脸数据库上一系列的测试,证明该方法具有很好的识别效果.(本文来源于《郑州大学学报(工学版)》期刊2015年02期）
刘威,郭红[8]（2015）在《加权贝叶斯线性B细胞表位特征提取方法》一文中研究指出特征提取方法对线性B细胞表位预测起到非常重要的作用,但贝叶斯特征提取方法忽略了氨基酸之间的相互关系.为了更准确地描述表位序列的关系,提出一种基于氨基酸对量表加权的贝叶斯特征提取方法,该方法对单个氨基酸在序列分布的基础上充分考虑了氨基酸之间的关系,并使用支持向量机作为分类器进行分类.在El-Manzalawy,Saha数据集上的测试表明改进的贝叶斯特征提取方法.相比传统的贝叶斯特征提取方法,提取精度有一定的提升.(本文来源于《福州大学学报(自然科学版)》期刊2015年01期）
朱丰,张群,李松,冯有前,张维强[9]（2013）在《稀疏线性调频步进信号弹道导弹进动微多普勒特征重构与提取方法》一文中研究指出通过理论推导分析了线性调频步进信号(FSCS)体制下弹头进动的微多普勒特征,并结合压缩感知(CS)理论,提出一种基于频谱稀疏FSCS的微多普勒谱图重构方法。该方法可在大幅减少FSCS子脉冲个数的条件下,准确重构出微多普勒谱图信息,同时,有效抑制了谱图中旁瓣的影响。在此基础上,针对CS理论重构出的微多普勒谱图,利用弹头进动微多普勒在谱图上的特征曲线的光滑性,提出一种基于动态规划的弹头进动微多普勒信息提取方法,并利用该方法准确提取到弹头进动微多普勒信息。仿真验证了文中方法的有效性和鲁棒性。(本文来源于《兵工学报》期刊2013年01期）
赵洋洋,陈超,王同庆[10]（2012）在《基于多尺度分析的位场线性特征提取方法研究及应用》一文中研究指出在地球物理位场资料的处理与解释中,异常图像中的线性特征往往对应着地下断裂构造、不同岩性地质体的边界接触带或其它具有一定密度或磁性差异的构造特征。由于重、磁异常在这些线性构造,特别是地质体边界处的变化率大的独特优势,因此,对异常图像中线性特征的提取成为区域重磁资料处理与解释(本文来源于《中国地球物理2012》期刊2012-10-16）
线性特征提取方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在光纤预警系统(OFPS)中产生的入侵事件主要分为有害入侵和无害入侵。目前对于这两类扰动常规的特征提取方法通常是采用时域分析,但是对于不同有害入侵事件其时域特征区分不明显,因此时域处理不能更好体现它们之间的细节差别。通过对有害入侵信号的频谱进行统计研究发现,不同信号的频谱分布存在较为明显的差异性,因此本文将入侵信号变换到频域并借鉴声信号的处理方法,提出了一种基于能量占比特征的有害入侵事件识别算法。对采集到的振动信号进行预处理并计算功率谱密度(PSD),计算各信号不同频段的能量占比,并将其作为信号分类识别的特征。之后将能量占比特征作为样本送入分类器进行OFPS振动信号识别。在分类器的选择上,本文采用线性判别分析(LDA)分类器对信号进行识别,LDA能最大限度的保持原始数据信息,并有效区分振动信号。通过实验结果表明该算法在OFPS振动信号的识别研究中提高了有害入侵信号的识别率,从而验证了本算法的可行性,同时有效减少了识别时间。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
线性特征提取方法论文参考文献
[1].赵锦竹,张旭.基于ObjectARX技术提取古建筑构件几何线性特征的方法研究[J].科学技术创新.2018
[2].盛智勇,张新燕,王彦平,曲洪权.光纤振动信号特征提取及线性分类方法[J].光电子·激光.2018
[3].佘青山,马鹏刚,马玉良,孟明.基于张量线性拉普拉斯判别的肌电特征提取方法[J].东南大学学报(自然科学版).2017
[4].胡青璞.线性编码框架下的图像特征提取及识别方法研究[D].河南大学.2016
[5].葛倩倩.线性特征提取方法及其在人脸识别中的应用[D].西安电子科技大学.2015
[6].胡峰,苏讯,刘伟,吴雨川,范良志.基于改进局部线性嵌入算法的故障特征提取方法[J].振动与冲击.2015
[7].张勇,党兰学.线性判别分析特征提取稀疏表示人脸识别方法[J].郑州大学学报(工学版).2015
[8].刘威,郭红.加权贝叶斯线性B细胞表位特征提取方法[J].福州大学学报(自然科学版).2015
[9].朱丰,张群,李松,冯有前,张维强.稀疏线性调频步进信号弹道导弹进动微多普勒特征重构与提取方法[J].兵工学报.2013
[10].赵洋洋,陈超,王同庆.基于多尺度分析的位场线性特征提取方法研究及应用[C].中国地球物理2012.2012