一种基于联合CSVD-2DNMF的人脸识别算法

类估计基空间奇异值分解算法(CSVD)克服了奇异值分解(SVD)造成的重构图像基空间不一致的本质缺陷,但在一定程度上削弱了图像的类别特征。二维非负矩阵分解算法(2DNMF)能在一定程度上避免NMF识别算法中因图像向量化而造成的结构信息丢失、内存花销大等不足,但是随着训练样本数量的增多,迭代速度慢、训练时间长等缺陷也将凸显。根据CSVD与2DNMF的优缺点,提出了人脸识别的联合CSVD-2DNMF算法,进而运用提出的算法在Matlab平台上对ORL人脸数据库中的人脸图像进行了识别实验。实验结果表明该算法能有效的缩短训练时间和提高识别率。

二维非负矩阵分解在齿轮故障诊断中的应用

针对齿轮故障信号时频分布识别问题,提出采用二维非负矩阵分解技术提取时频分布矩阵特征参数的方法。采用S变换技术将齿轮故障信号变换至时频域,为克服传统的一维非负矩阵分解对矩阵向量化带来的维数过高和结构信息损失问题,提出采用二维非负矩阵分解技术直接对信号时频分布矩阵提取特征参数。对齿轮5种状态下信号时频分布矩阵的特征提取和分类结果表明,二维非负矩阵分解技术无论在计算效率还是分类精度上都明显优于一维非负矩阵分解技术。

基于（2D）^2NMF及其改进算法的人脸识别

非负矩阵分解(NMF)是基于部分的特征提取方法,能够克服局部遮挡和光照问题,在图像识别任务中效果较好。然而传统算法中,NMF提取的特征是非正交的,且二维图像常被向量化处理,不仅丢失一些结构信息,还导致了数据的高维,不利于提高识别精度和速度。利用图像矩阵取代传统的图像向量表示,提出新的(2D)2NMF方法提取二维图像特征,并通过特征正交化和图像变形等措施,改善了算法性能。人脸识别实验表明,上述措施能够有效提高识别的精度和速度。

基于NMF改进算法的人脸识别仿真研究

研究人脸识别性能问题,由于要求图像识别处理精度高,速度快,传统的非负矩阵分解方法,在NMF矩阵的构建过程中,图像向量化会导致图像结构信息丢失,会对分类识别造成负面影响,使识别精度不是很理想。图像向量的高维数据使得NMF分解速度慢,从而影响识别速度。为了提高人脸识别性能,提出了(2D)2NMF方法,将混合正交基策略用于2DNMF和(2D)2NMF方法中,并且采用了线性SVM加权手段对2DNMF方法(、2D)2NMF方法分解得到的特征进行再一次选择。用ORL人脸库进行测试,结果表明,改进方法和策略有着更高的识别精度和更快的识别速度,为实际应用提供了依据。

非负矩阵因子及在人脸表情识别中的应用

提出了一种基于二维非负矩阵因子的人脸表情识别方法。该算法直接将2维人脸表情图像矩阵作为2维矩阵并结合NMF进行表情特征提取,称之为2DNMF。与NMF等不同,2DNMF充分利用表情图像矩阵中的行向量间的信息和列向量间的信息,尽可能地保留了原始的表情信息。基于CED-WYU(1.0)和JAFFE两个表情数据库的识别结果表明,基于2维非负矩阵因子的特征提取方法能有效地提高识别率及效率。

高斯核非负矩阵因子及其在表情识别中的应用

提出一种基于高斯核非负矩阵因子的人脸表情识别方法。该算法引入高斯核函数并结合NMF(Non-negative Matrix Factorization)进行表情特征提取,称之为GKNMF。与NMF、2DNMF(2-Dimensional Non-negative Matrix Factorization)等方法不同,GKNMF通过基于高斯核的非线性映射可从原始表情数据中提取更多线性和非线性的有用信息,尽可能地保留原始的表情信息。根据JAFFE和CED-WYU(1.0)两个表情数据库的识别结果表明,GKNMF特征提取方法能有效地提高识别率。

基于2维非负矩阵分解的时频图像压缩在柴油机故障诊断中的应用

针对1维非负矩阵分解技术对2维矩阵特征降维时,会产生数据量巨大、计算效率低下和丢失原始数据结构信息的问题,引入2维非负矩阵分解技术。通过S变换得到振动信号的时频图像,用1DNMF和2DNMF分别压缩时频图像,对压缩后的图像信息进行分类,对柴油机在8种状态下的振动信号进行采集,并采用最近邻分类器、朴素贝叶斯分类器和支持向量机分类器进行实验对比。结果表明,2维非负矩阵分解技术比原始的1维技术计算效率更高,故障诊断更精准。