基于稀疏保持判别嵌入的人脸识别

最近,人们对高维数据(例如人脸图像)潜在的稀疏表征结构有很大兴趣。提出一种称为稀疏保持判别嵌入(SPDE)新降维算法,该算法在稀疏保持投影(SPP)的目标函数中增加了改进的最大间距准则(MMMC)。SPDE保留了SPP的保持稀疏结构特性,利用了MMMC的全局判别结构。SPDE合并了稀疏准则和Fisher准则,具有更强的判别力,尤其训练集小的时候,更适合于人脸识别任务。SPDE能够自然地避免小样本问题并且计算是有效的。在3个公共人脸数据库(ORL、Yale以及FERET)上的实验结果表明SPDE对人脸识别是有效的和可行的。

基于保局判别投影的声目标特征提取算法

针对现有声目标识别技术鲁棒性较差的实际情况,提出了一种监督性流形学习算法—保局判别投影(LPDP)算法。算法在流形学习保局投影(LPP)算法的基础上,引入了控制类间和类内距离的改进最大边缘标准(MMMC),使得这种特征提取算法既具有线性流形学习算法样本外点学习的优点,又能够有效解决小样本问题,并能在后续的分类中取得良好效果。通过在公开数据库和战场实际数据的特征提取实验,结果表明算法的识别率和稳定性均优于现有其他算法。