应用相关近邻局部线性嵌入算法的高光谱遥感影像分类

传统的局部线性嵌入（LLE）算法需用欧氏距离度量近邻,但欧氏距离只表示两点间的直线距离,在高维空间中不一定能反映数据间的真实空间分布,导致近邻选取不稳定.针对此问题,本文提出了相关近邻（CN）LIE（CN-LLE）和相关最近邻分类（CNN）算法.提出的算法首先利用相关系数度量数据间的近邻,实现更准确的局部重构,提取鉴别特征;然后用CNN对低维嵌入特征进行分类.在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明：本文提出的CN-LLE＋ CNN算法比LLE、LLE＋CNN和CN-LLE等算法的总分类精度提升了2.11％～11.55％,Kappa系数提升了0.026～0.143.由于该算法增加了近邻为同类的概率,便于更有效地提取同类数据的鉴别特征,且有更好的稳定性,故能更有效地实现高光谱遥感数据的地物分类.

相关流形距离在转子故障数据集分类中的应用方法

针对故障特征属性值域之间存在着一定相关性导致准确分类困难的问题,提出一种能够考虑相关系数影响作用的转子故障数据集分类方法;该方法是将相关流形距离的边界Fisher分析(Correlation Manifold Distance Marginal Fisher Analysis,CDMFA)与相关流形距离的K-近邻(Correlation Manifold Distance K-Nearest Neighbor,CDKNN)分类器概念相结合在一起的结果。首先,将振动信号集合转换成多域、多通道高维故障特征数据集;然后,通过CDMFA将融合相关系数的相关流形距离用于度量数据样本间的近邻与权值,据此能更好地反映高维数据间的相似性关系,提取出能使类间距离趋大的低维特征子集;最后,将得到的低维特征子集输入到CDKNN分类器中进行故障模式辨识。用一个双跨度转子系统数据集与仿真数据集对所提出的方法进行了验证。结果表明:本方法降维效果良好,可获得更高的故障分类准确率。研究发现,采用相关流形距离作为信息测度的故障数据分类方法能更真实地揭示出高维特征间的几何结构关系;该方法可为高维故障数据集的特征属性约简与分类,提供降低数据规模的理论参考依据。

多彩色空间相关分析的人脸识别算法

人脸识别是当前人工智能和模式识别的研究热点,得到了广泛的关注。基于对不同色彩空间数据的分析,论文提出了多彩色空间典型相关分析的人脸识别方法。文中对2维的Contourlet变换特性进行了分析和讨论,利用Contourlet的多尺度,方向性和各向异性等特点,提出了一种基于Contourlet变换的彩色人脸识别算法。算法对原图进行Contourlet分解,对分解得到的低频和高频图像进行cca分析。典型相关分析是一种有效的分析方法,其实际应用十分广泛。低频系数反映图像的轮廓信息,高频系数反映图像的细节信息,使用cca充分利用不同频率的信息,使不同色彩空间的不同分辨率图形的相关性达到最大,得到投影系数,最后,采用决策级最近邻分类器完成人脸识别。在对彩色人脸数据库AR的识别实验中,该算法识别率达到98%以上,与传统算法相比,该算法不仅既有良好的识别结果,而且具有很快的运算速度。

一种新的脑电特征提取方法研究

基于控制信号为皮层慢电位的脑机接口数据,本文提出了一种脑电模式识别的新方法。该算法将脑电数据的近似熵值、自相关系数和皮层慢电位组合成新的特征向量,并选取k-近邻法作为分类器进行模式识别。在公开测试集中,新算法能达到较高的识别率,同时表明近似熵和自相关系数可以作为新参量对脑电数据进行分析。

基于深度学习及核典型相关分析的多特征融合说话人识别

论文提出一种基于深度学习以及核典型相关分析(kernel canonical correlation analysis,CCA)的多特征融合说话人识别方法。针对说话人的音频和视频信息,利用深度信念网络和卷积神经网络这两种不同深度的神经网络对音频信息和视频信息分别并行处理,得到两种不同模态的生物特征向量。采用核典型相关分析方法对这两种非线性相关的特征向量进行特征级融合,使用它们的相关性判别函数抽取多个相关性顺次下降但又互不相关的典型变量对按照给定的特征级融合策略构成最后的判别特征,同时去除了冗余信息。最后生成的基于核典型关联分析的融合特征输入最近邻分类器,输出说话人识别结果。使用BANCA数据库对该方法进行实验,结果表明:该方法能显著提高说话人识别的准确率。

基于最近相关性分类器的单样本掌纹识别

为了解决单样本掌纹识别的困难,研究了基于最近相关性分类器(NCC)的单样本掌纹识别方法。首先对掌纹图像进行分块,划分为若干个子图像;然后运用统计特征、傅里叶变换、离散余弦变换(DCT)和Gabor变换4种方法对子图像进行特征提取,将所有子图像的特征向量组合在一起形成该图像的特征向量;最后应用NCC进行分类识别。运用PolyU掌纹图像库,对本文算法进行测试。实验结果表明:与最近邻分类器(NNC)和支持向量机(SVM)相比,在不同大小的子图像上,运用不同的特征提取算法,NCC均提高了识别率;分类时间在0.3～0.7s之间,满足实时系统的需求。