空间多观测样本的地理加权回归模型

地理加权回归(GWR)以及GWR改进模型无法处理空间点上多个观测样本的情况,本文对GWR进行了拓展,构建了一种可以处理多观测样本的地理加权回归模型(MRGWR)。MRGWR在估计回归系数时,充分利用了回归关系在邻近点上具有相似性的特点,对邻近空间点的观测样本施加不同权重。通过数值实验评估了MRGWR的估计性能,并与普通最小二乘回归和GWR模型进行了比较。采用MRGWR模型探究了物理海洋学中海洋中尺度涡旋热反馈问题,揭示了北太平洋中尺度海面净热通量异常对中尺度海面温度(SST)异常的响应关系。研究结果表明,中尺度海面净热通量异常对中尺度SST异常的响应关系存在显著的季节和空间变化。

多观测样本联合信息加权稀疏表示分类算法

多观测样本分类问题中,同一对象的多观测样本均看作一个整体进行识别,其同等看待各个观测样本。考虑到其每个观测样本包含判别信息量不同,针对如何有效利用其可信度问题,提出基于观测样本联合加权稀疏表示多观测样本分类算法。首先将多观测样本分解成单样本,分别对各个样本进行稀疏求解得到其各自的稀疏度和残差,进而联合二者确定其相应可信度。然后给各观测样本进行可信度加权,重构出加权多观测样本。最后,再采用整体稀疏表示对其进行分类。在ETH-80物体数据库、CMU-PIE人脸数据库和BANCA数据库上进行大量对比实验,实验结果证明该算法的有效性,提高识别精度的同时使算法的鲁棒性得到保证。

基于L1范数凸包数据描述的多观测样本分类算法

为建立高维空间样本分布的最佳覆盖为目标来实现覆盖分类,该文提出基于L1范数凸包数据描述的多观测样本分类算法。首先对训练集的每个类别以及测试集的多观测样本分别构造凸包模型,这样多观测样本的分类就转化为凸包模型的相似性度量问题。若测试集的凸包模型与训练集无重叠,采用L1范数距离测度进行凸包模型之间的相似性度量;若有重叠,采用L1范数距离测度进行收缩凸包(reduced convex hulls)之间的相似性度量。然后采用最近邻准则作为多观测样本的分类决策。在3个数据库上进行的实验结果,表明该文提出方法对于多观测样本分类具有可行性和有效性。

基于低秩分解的联合动态稀疏表示多观测样本分类算法

通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.

基于L1-Graph表示的标记传播多观测样本分类算法

同类样本被认为是分布在同一个高维观测空间的低维流形上,针对多观测样本分类如何利用这一流形结构的问题,提出基于L1-Graph表示的标记传播多观测样本分类算法。首先基于稀疏表示的思路构造L1-Graph,进而得到样本之间的相似度矩阵,然后在半监督分类标记传播算法的基础上,限制所有的观测样本都属于同一个类别的条件下,得到一个具有特殊结构的类标矩阵,最后把寻找最优类标矩阵的计算转化为离散目标函数优化问题,进而计算出测试样本所属类别。在USPS手写体数据库、ETH-80物体识别数据库以及Cropped Yale人脸识别数据库上进行了一系列实验,实验结果表明了本文提出方法的可行性和有效性。

非一致相似测度的图表示多观测样本分类算法

多观测样本分类问题中,样本表示成流形上的点,针对如何利用多观测样本的流形结构提高其分类性能的问题,提出非一致相似测度的Graph表示多观测样本分类算法。首先综合数据的全局与局部结构特性,构造一个非一致相似测度,非一致相似测度主要考虑类内和类间差别,能有效地体现数据实际聚类的分布特性;其次构造非一致相似测度Graph,进而得到样本之间的相似度矩阵,然后通过一个格拉斯曼联合核把最佳投影的计算转化成寻找瑞利熵的最大特征向量问题,进而得到投影矩阵。最后将本征流形上的点投影到另一个流形上,使用最近邻分类器完成分类。在ETH-80物体识别数据库、CMU-PIE人脸数据库和BANCA数据库上进行对比实验,实验结果表明该方法优于传统方法。

适合多观测样本的基于LS-SVM的新分类算法

针对多观测样本的二分类问题,提出适合多观测样本的基于LS-SVM的新分类算法。每次分类中,待分类的模式使用多观测样本集进行表示,首先对多观测样本集的标签进行假设,将此假设条件作为LS-SVM中优化问题的约束条件,由此得到分类误差,通过比较两次假设下的分类误差确定多观测样本的类别。该方法无需提前训练获得分类器,而是同时利用已知标签样本和多观测样本集,充分利用同类样本在特征空间中连续分布的特点。最后通过三组实验验证了所提方法的有效性。

L1 Graph联合转换学习模型的多观测样本分类算法

不同分布多观测样本分类问题中,训练样本和测试样本来自不同的域,针对如何利用转换学习提高不同分布多观测样本分类性能问题,提出L1-Graph联合转换学习的多观测样本分类算法。首先基于转换学习构建一种非负矩阵三因子分解框架,将其中不变信息作为源域到目标域的转换桥梁;其次,基于稀疏表示思路构造L1-Graph,自适应寻找数据近邻,保留样本及特征几何结构;最后,将两个互补目标函数联合到统一优化问题中,然后利用迭代算法解决优化问题,进而估计出测试样本类别。在USPS-Binary数字数据库、Three-Domain Object Benchmark数据库和ALOI数据库上进行对比实验,实验结果表明该方法的有效性,既提高了识别精度又保证了算法鲁棒性。

基于稀疏恢复的L_1范数多观测样本凸包分类算法

在传统的统计模式识别中,由于单观测样本的分类受到样本数量的限制,导致最终的识别效果不够理想。针对这一不足,文中提出基于稀疏恢复的L_1范数多观测样本凸包分类算法,利用多张测试样本构成的凸包模型代替传统的单观测样本,通过计算观测样本凸包与各类训练样本凸包的距离进行分类。这在一定程度上改善了单观测样本分类的不足,经过实验对比分析证明了算法的可行性以及优越性。文中算法结果为多观测样本的分类提供了有效的理论基础。

基于SVM和多观测样本的相似不完整数据分类

针对具有多观测样本的相似不完整数据分类问题,提出基于SVM和多观测样本的相似数据分类算法.每类数据的多观测样本集由属于同一模式的单观测样本组成,每次分类时,对两个多观测样本集的标签做两次假设,通过比较不同标签假设下的分类误差确定多观测样本集的标签.该方法同时充分利用了样本类内的相关性和类间的差异性,实现了相似不完整数据的分类.实验结果验证了所提出方法的有效性.

基于Kernel Discriminant Canonical Correlation(KDCC)的多观测样本分类算法

针对多观测样本分类问题,提出一种基于Kernel Discriminant CanonicalCorrelation(KDCC)来实现多观测样本分类的模型.该算法首先把原空间样本非线性的投影到高维特征空间,通过KPCA得到核子空间,然后在高维特征空间定义一个使类内核子空间的相关性最大,同时使类间核子空间的相关性最小的KDCC矩阵,通过迭代法训练出最优的KDCC矩阵,把每个核子空间投影到KDCC矩阵上得到转换核子空间,采用典型相关性作为转换核子空间之间的相似性度量,并采用最近邻准则作为多观测样本的分类决策,从而实现多观测样本的分类.在三个数据库上进行了一系列实验,实验结果表明提出的方法对于多观测样本分类具有可行性和有效性.