天津大学电气自动化与信息工程学院，天津 300072
针对用户家中电器负荷识别分解问题提出了一种新的特征提取方法。对总线电流进行小波滤波处理，并根据周期差分的方法除去负荷暂态电流的背景电流，获取负荷投切后的暂态电流信号。对负荷的暂态电流进行S变换获取幅值谐波矩阵，并使用双向二维主成分分析［(2D)2PCA］对暂态电流的幅值谐波矩阵从行和列方向进行压缩以提取特征。使用支持向量机对样本特征集进行分类。对BLUED电力数据集的6种家用负荷进行识别，平均识别率为99.24%，最高达到100%。该方法与其他特征提取方法相比，对电气特性相似的负荷具有更高的识别率。
信号处理 暂态电流 S变换 双向二维主成分分析 模式识别 激光与光电子学进展
2018, 55(8): 080701
南阳理工学院 电子与电气工程学院,河南 南阳473004
提出一种新型、高效的基于B2DPCA(双向二维主成分分析)和ELM(极端学习机)的人脸识别算法, 该算法是根据曲波变换分解人脸图像和一种改进的降维技术, 通过B2DPCA生成识别特征集来训练和测试ELM分类器, 提高识别精度。通过大量实验, 并把实验结果与现存技术进行比较, 结果表明B2DPCA+ELM算法有效地提高了识别准确率, 并降低了对原型数量的依赖。将来有望能把局部特征和基于曲波分解的全局信息结合起来应用到识别精度和分类速度上。
人脸识别 双向二维主成分分析 极端学习机 降维技术 识别准确率 human face recognition B2DPCA extreme learning machine dimensionality reduction technique recognition accuracy
