基于PCA和神经网络的识别方法研究

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (25): 246-248.

• 工程与应用 • 上一篇

基于PCA和神经网络的识别方法研究

杨静^1,2，毛宗源¹

1.华南理工大学自动化科学与工程学院，广州 510460
2.华东交通大学电气与电子工程学院，南昌 330013

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-09-01 发布日期:2007-09-01
通讯作者: 杨静

Recognition method based on principal component analysis and neural network

YANG Jing^1,2，MAO Zong-yuan¹

1.College of Automation Science and Engineering，South China University of Technology，Guangzhou 510640，China
2.School of Electrical and Electronic Engineering，East China Jiaotong University，Nanchang 330013，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-09-01 Published:2007-09-01
Contact: YANG Jing

摘要/Abstract

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

Abstract: Quality Control Charts is an important tool of Statistical Process Control（SPC） under the Contemporary Integrated Manufacturing System（CIMS） environment，and in practice it is most difficult to identify unnatural patterns which are associated with a specific set of assignable causes on Quality Control Charts.This paper discusses about control charts pattern，and then proposes intelligent recognition method based on principal component analysis and neural network.The principal component analysis is used to process the sample data.

Key words: Quality Control Charts, principal component analysis, neural network, pattern recognition

杨静^1,2，毛宗源¹. 基于PCA和神经网络的识别方法研究[J]. 计算机工程与应用, 2007, 43(25): 246-248.

YANG Jing^1,2，MAO Zong-yuan¹. Recognition method based on principal component analysis and neural network [J]. Computer Engineering and Applications, 2007, 43(25): 246-248.

[1]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[2]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[3]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[4]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[5]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[6]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[7]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[8]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[9]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[10]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[11]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[12]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[13]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[14]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[15]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.

基于PCA和神经网络的识别方法研究

Recognition method based on principal component analysis and neural network

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics