为了实现沙棘汁品牌的快速无损鉴别,提出了采用可见近红外光谱分析技术(NIR)鉴别沙棘汁品牌的方法。采用FieldSpec3光谱仪对三种沙棘汁进行光谱分析,各获取40个样本数据。采用平均平滑法和多元散射校正(MSC)方法对样本数据进行预处理,再用主成分法(PCA)对光谱数据进行聚类分析并获得各主成分数据。将120个沙棘汁样本随机分成90个建模样本和30个预测样本,把基于累计可信度选择的建模样本的8个主成分(PCs)数据作为BP网络的输入变量,沙棘汁品牌作为输出变量,建立三层反向传播(BP)神经网络鉴别模型,并对30个预测样本进行预测。结果表明,在阈值设定为±0.1的情况下,该模型对预测集样本品牌鉴别准确率达到了100%。所以应用近红外光谱技术结合主成分分析和BP神经网络算法识别沙棘汁品牌是一种有效的方法。

摘要为了研究气候变化需要实现遥感卫星对二氧化碳的高精度测量气溶胶和透射率较高的薄卷云的散射是影响大气中反演精度的主要环境因素结合主成分分析的统计方法和光程概率分

摘要针对超短脉冲激光与气体相互作用产生的非线性荧光光谱的特点，提出了光谱分析的预处理、特征提取以及定量分析的有效方法。采用小波算法对光谱数据进行压缩和降噪处理，

随着三维扫描技术的迅猛发展, 点云数据的数据量变得异常庞大, 这对点云计算的性能提出了更高的要求。因此, 如何有效提高算法的执行效率一直是该领域的研究热点和难点。日益增大的数据量隐藏了丰富的三维(3D)形状模型, 将形状模型参与到点云计算过程中, 为提高点云计算的执行效率提供了一种新的方法和思路。利用3D几何特征分析技术, 获取与形状相关的特征参数, 并使其参与到点云分割过程中, 提出了形状分割方法。利用八叉树算法组织点云数据, 发现数据之间的相邻关系, 依靠点云数据的密度自适应地双向线性调整八叉树并建立数据索引。使用规则图形建立3D形状模型库, 实现模型与分割区域的匹配, 进而提取分割区域的形状参数, 为提高点云数据计算的精度和速度奠定基础。在分割效果和分割时间上, 对比了不同算法, 验证了基于形状的点云分割算法的可行性以及稳健性。

理论讲述了什么是主成分分析，并配合示例让我们更好的理解主成分分析

不同人群对不同种类的花粉存在不同的过敏反应,为此研究用于快速检测空气中花粉粒子及分类的方法。以常见花粉作为研究对象,利用拉曼光谱仪采集42种花粉样品的465条拉曼光谱数据,按照生物学分类划分为科间花粉及属间花粉并对其进行分类预测。将所得光谱数据预处理后,利用主成分分析提取光谱的特征信息,并建立支持向量机识别模型。对于科间花粉的预测结果准确率为97.75%,蔷薇科属间花粉的预测结果准确率为90.47%,说明拉曼光谱分析法对花粉分类鉴别具有可行性。

交通标志识别(TSR)系统是智能交通系统的重要研究方向。道路交通环境复杂、交通标志数据库规模庞大等因素导致在设计TSR系统可行性方案时必须考虑计算复杂度和识别率。提出了一种高效且快速的基于改进主成分分析(PCA)法和极限学习机(ELM)的TSR算法, 被称为PCA-HOG。该算法首先提取交通标志数据库中每个交通标志的梯度方向直方图(HOG)特征, 利用改进PCA算法对提取出的HOG特征进行降维处理, 之后利用降维后的HOG特征进行ELM模型训练, 利用经过训练的ELM模型识别测试图片。实验结果表明, 基于PCA-HOG和ELM模型的交通标志识别算法获得的计算复杂度低, 图像识别率可达97.69%。

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息，对降维后的图像利用局部二值模式进行空间纹理特征分析，采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取，保证了高光谱图像的谱间冗余的有效去除，同时保护了高光谱图像的空间局部邻域信息，因此，此类算法不但能充分挖掘高光谱图像的谱间-空间特征，在较大程度上提高分类精度和Kappa系数，而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。

针对双目视觉测量中的立体匹配问题，提出了一种基于主成分分析(PCA)算法和尺度不变特征变换(SIFT)匹配算法相结合的双目视觉立体匹配新方法。该系统以GSI 编码点为特征点，利用双目相机对以散斑为背景的编码标识板进行成像，利用PCA 算法与SIFT 算法结合的新算法对采集的图像进行特征提取与匹配解算。可实现对GSI 编码点特征的准确提取和立体匹配,并测量出不同位姿下特征点之间的精确位移。实验验证部分引入GSI 编码技术并在行程为1000 mm×1000 mm 二维高精度平移台上进行，实际测得位移的绝对误差在5×10

针对线结构光条纹中心提取的效率和精度影响测量结果的问题,提出一种主成分分析与灰度重心相结合的方法。首先对图像进行高斯卷积并采用阈值分割法初步提取图像中有效的光条纹信息;然后计算光条纹图像的梯度分布和幅值,选取幅值为零的点作为初始点;接着采用主成分分析法得到点的法线方向,沿法线方向在初始点两侧以幅值最大的两点作为边界点;最后采用灰度重心法求出边界内的光条纹中心以确定下一个初始点,通过迭代处理提取光条纹中心。在平均处理时间以及方均根误差方面对所提方法进行验证。实验结果表明,所提方法的平均处理时间约为1.701 s,提取精度比Steger法少0.0500 pixel。