基于类内散度的粗糙one-class支持向量机

粗糙one-class支持向量机(ROC-SVM)在粗糙集理论基础上通过构建粗糙上超平面和下超平面来处理过拟合问题,但是在寻找最优分类超平面的过程中,忽略了训练样本类内结构这一非常重要的先验知识。因此,提出了一种基于类内散度的粗糙one-class支持向量机(WSROC-SVM),该方法通过最小化训练样本类内散度来优化训练样本类内结构,一方面使训练样本在高维特征空间中与坐标原点的间隔尽可能大,另一方面使得训练样本在粗糙上超平面尽可能紧密。在合成数据集和UCI数据集上的实验结果表明,较原始算法,该方法有着更高的识别率和更好的泛化性能,在解决实际分类问题上更具优越性。

融合磁极效应和数据分布特征的最大间隔学习机

基于几何边界的分类方法是一种典型的智能分类方法,已有的一些方法不仅忽略数据的分布特性,而且没有考虑不同样本对分类结果的影响,因而分类精度有待于进一步提高.鉴于此,受磁极效应启发,该文提出一种新颖的融合磁极效应和数据分布特征的最大间隔学习机.该模型构造的分类超平面距离一类尽可能近,而距离另一类尽可能远,尽量地将这2类分开.该模型利用类内离散度和类间离散度来刻画数据分布特征,以期在分类决策时将数据的分布形状考虑在内.此外,模糊隶属度的引入突出了不同样本对分类结果的影响.在UCI标准数据上的比较实验表明该方法是有效的.

基于优化的LDA算法人脸识别研究

提取低维人脸特征是人脸识别系统中极其关键的一步。线性判别分析(LDA)是一种较为普遍的用于特征提取的线性分类方法。本文提出了一种优化的LDA算法,该方法克服了传统的LDA算法用于人脸识别时存在的问题:通过重新定义样本类间离散度矩阵使传统的Fisher准则能够最优化,克服了边缘类对选择最佳投影方向的影响;同时,利用因数分解的方法避免了对矩阵求逆,解决了小样本问题。依据经验选取适当的e值,得到最佳的识别效果。实验结果表明,人脸识别效果优于传统LDA方法。

一种改进的线性判别分析法在人脸识别中的应用

提出了一种新的基于LDA的人脸识别算法。该方法重新定义了样本的类间散布矩阵,在原始的定义基础上增加了一种径向基函数(RBF)调节类间距离,使得在选择投影方向时能更好地分开各类样本;同时该方法在类间散布矩阵与类内散布矩阵的特征分解的基础上,通过变换求出符合Fisher准则的最优投影方向,可以证明这样得到的投影方向同时具有正交性与统计不相关性。通过ORL人脸数据库的数值实验,表明了该算法比传统算法有更好的性能。

利用标准化LDA进行人脸识别

线性判别分析 (LDA)是一种较为普遍的用于特征提取的线性分类方法 提出一种基于LDA的人脸识别方法———标准化LDA ,该方法克服了传统LDA方法的缺点 ,重新定义了样本类间离散度矩阵 ,在原始定义的基础上增加一个由类间距离决定的可变权函数 ,使得在选择投影方向时 ,能够更好地分开各个类的样本 ;同时 ,它采用一种合理而有效的方法解决矩阵奇异的问题 ,即保留样本类内离散度矩阵的零空间 ,因为这个空间包含了最具有判别能力的信息 在这个零空间里 ,寻找对应于样本类间离散度矩阵的较大特征值的特征向量作为最后降维的转换矩阵 实验结果显示 ,在人脸识别中 ,与传统LDA方法相比 ,该方法有更好的识别率

改进的线性判别分析算法

线性判别分析是一种有效的特征提取方法,但其存在两个缺陷:小样本问题和秩限制问题。为了解决上述问题,提出一种改进的线性判别分析算法ILDA。该方法引进类间离散度标量和类内离散度标量,通过求解样本各维的权值达到特征提取的目的。若干标准人脸数据集和人工数据集上的实验表明ILDA在特征提取方面的有效性。

基于矩阵模式的最小类内散度支持向量机

基于最小类内散度支持向量机(MCSVMs)提出一种新的矩阵模式的最小类内散度支持向量机(MCSVMsmatrix).同时为了更好地解决非线性分类问题,将Mercer核函数引入到MCSVMsmatrix方法中,并提出基于矩阵模式的非线性支持向量机:Ker-MCSVMsmatrix.上述两种方法不但继承了MCSVMs的优点,而且由于将矩阵模式的类内散度矩阵引入到支持向量机中,从而在理论上可以较好地解决了MCSVMs方法在处理小样本高维数据集时类内散度矩阵奇异性问题,同时降低了求解类内散度矩阵及其逆矩阵和权重矢量的时间、空间复杂度.因此,在一定程度上提高了分类精度.实验结果也表明MCSVMsmatrix、Ker-MCSVMsmatrix具有上述优势.

异步脑—机接口的空闲状态检测新方法

提出一种新的空闲状态检测方法,以训练集中各类运动想象样本的类内散度和正确检测率为指标,结合接收机曲线确定分类阈值,设计最佳三分类器,并采用模糊化技术对预测标签进行处理。将该方法应用于2005年BCI竞赛数据IVc,测试的均方误差为0.278 7。实验结果验证了该方法的有效性。

基于AMD度量和类间模块2DPCA的人脸识别算法

文章提出了一种基于集成矩阵距离(AMD)和类间散布矩阵构造的模块2DPCA人脸识别方法。针对原模块2DPCA算法的不足,使用类间散布矩阵代替总体散布矩阵,求得最佳特征向量并对图像进行特征提取;采用集成矩阵距离的度量方式计算特征图像的相似度,实现人脸分类。在ORL人脸库上的实验结果表明,同2DPCA和普通模块2DPCA相比,文中提出的方法能够取得更好的识别效果。

基于向量组的Fisher线性鉴别分析方法

提出了一种基于向量组的Fisher线性鉴别分析方法。该方法先将原始的高维向量分割为低维的子向量组,再对向量组运用Fisher线性鉴别分析。这种处理方法,不但能够解决任意高维下的小样本问题,而且通过选择恰当的子向量维数,可以从向量中抽取出最有效的特征值。此外,基于向量组的Fisher线性鉴别分析是Fisher线性鉴别分析和二维Fisher线性鉴别分析的进一步推广。

基于对称线性判别分析算法的人脸识别

小样本问题的存在使得类内离散度矩阵为奇异阵,因此求解线性判别分析(LDA)算法的广义特征方程存在病态奇异问题。为解决此问题,在已有算法的基础上,引入镜像图像来扩大样本容量,并采用Sw零空间的方法求得Fisher准则函数的最优解。通过在ORL和Yale标准人脸库上的实验结果表明,人脸识别效果优于传统LDA方法、独立成分分析(ICA)方法以及二维对称主成分分析(2DSPCA)方法。

利用Mahalanobis距离进行人脸表情的识别

提出了利用Mahalanobis距离进行人脸表情识别的方法．首先将待分类的图像样本集进行坐 标变换,使得变换以后类间离散度尽可能大而类内离散度尽可能小,即使变换以后的Fisher准则函数 取得极大值,在新的坐标下求每个待分类样本到各类均值向量的Mahalanobis距离,从而将待分类的 样本归到Mahalanobis距离最小的类中去,通过实验得到了平均80．25％的识别率．

改进的LDA算法及秩限制问题研究

针对经典线性判别分析中存在的秩限制和小样本问题,通过改进原有的Fisher准则,提出了一种改进的线性判别分析算法ILDA,以克服秩限制问题并同时解决了小样本问题。重点研究了ILDA在解决样本类间离散度矩阵秩限制方面的有效性。在多个国际标准数据集和人工数据集上实验的结果表明ILDA算法不仅有效地突破了秩限制,达到提取更多判别特征的目的,而且具有良好的识别效果。

一种改进的线性判别分析算法MLDA

线性判别分析(LDA)是模式识别方法之一,已广泛应用于模式识别、数据分析等诸多领域。线性判别分析法寻找的是有效分类的方向。而当样本维数远大于样本个数(即小样本问题)时,LDA便束手无策。为有效解决线性判别分析法的小样本问题,提出了一种改进的LDA算法——MLDA。该算法将类内离散度矩阵进行标量化处理,有效地避免了对类内离散度矩阵求逆。通过实验证明MLDA在一定程度上解决了经典LDA的小样本问题。

多阶矩阵组合LDA及其在人脸识别中的应用

线性判别分析(LDA)是一种普遍用于特征提取的线性分类方法。但将LDA直接用于人脸识别会遇到小样本问题和秩限制问题。为了解决以上问题,提出一种基于多阶矩阵组合的LDA算法——MLDA。该算法重新定义了传统LDA中的类内离散度矩阵Sw,使传统Fisher准则具有更好的健壮性和适应性。若干人脸数据库上的比较实验证明了MLDA的有效性。

CT三维最小类内散度多分类支持向量机在肺结节识别中的应用

目的分析CT三维最小类内散度多分类支持向量机(MC-SVM)对肺结节的识别能力及优点。方法选择2012年1月至2014年1月确诊的肺结节病患者50例,根据基于三维矩阵模式的感兴趣体(VOI)的构成,分为结节样和非结节样;采用自动提取算法提取感兴趣区(ROI),分为结节ROI和非结节ROI;采用受试者工作特征(ROC)曲线比较大规模训练人工神经网络(MTANN)、基于矩阵模式的模糊最小二乘SVM(matFLSSVM)、三维矩阵模式MC-SVM和三维最小类内散度MC-SVM的识别精度,同时比较各种方法在不同截断点时的真阳性率和假阳性率。结果三维最小类内散度MC-SVM的识别精度、真阳性率均高于其他算法,而假阳性率低于其他算法(P<0.05)。结论三维最小类内散度MC-SVM对肺结节的识别精度较高,值得临床推广应用。

基于正交判别邻域保持投影的人脸识别

邻域保持投影(neighborhood preserving projections,NPP)是一种保持局部邻域结构的子空间分析方法。虽然NPP已经在许多领域得到应用,但在解决识别问题时有缺陷。在NPP算法的基础上提出一种新的子空间分析方法,称为正交判别邻域保持投影(orthogonal discriminant neighborhood preserving projections,ODNPP)。ODNPP目标是考虑类标签信息来增强局部类内几何关系,同时还最大化类间的距离。而且,为了克服NPP的测度扭曲问题,ODNPP引入Gram-Schmidt正交化获得正交投影矩阵。在FERET人脸数据库和ORL人脸数据库上的实验结果表明该方法是有效的。

基于类内类间离散度的分类器设计方法

提出了一种基于类内类间离散度的最小距离分类器设计方法。该方法解决了分类过程中样本点分散和样本不可分问题。基本思想是:利用训练样本定义类内类间离散度矩阵,根据对离散度矩阵的分析,建立目标函数,求解目标函数,得到一组最优解。在分类时,应用最优解进行加权定义,从而获得更好的识别结果。采用UCI标准数据集实验,实验结果表明该算法具有一定的优越性。

一种改进的线性判别分析算法在人脸识别中的应用

线性判别分析算法是一种经典的特征提取方法,但其仅在大样本情况下适用。本文针对传统线性判别分析算法面临的小样本问题和秩限制问题,提出了一种改进的线性判别分析算法ILDA。该方法在矩阵指数的基础上,重新定义了类内离散度矩阵和类间离散度矩阵,有效地同时提取类内离散度矩阵零空间和非零空间中的信息。若干人脸数据库上的比较实验表明了ILDA在人脸识别方面的有效性。

基于FRFT-KPCA的模拟电路非线性故障特征提取

针对模拟电路受非线性及元件容差影响而导致响应信号在时域和频域都出现耦合,造成故障特征提取困难的问题,结合分数阶傅里叶变换和核主成分分析理论提出一种非线性故障特征提取方法。利用分数阶傅里叶变换对耦合信号进行预处理,采用粒子群优化算法寻找最优分数阶p,实现耦合信号在分数阶域最大程度的分离。采用核主成分分析对非线性特征进行维数压缩,实现故障特征提取。实验结果表明,在时域或频域相互耦合的信号经分数阶傅里叶变换后,在分数阶域上耦合程度明显减弱,核主成分分析能够有效处理信号中的非线性信息,特征提取效果要优于其他线性特征提取方法。经过分数阶傅里叶变换和核主成分分析相结合的方法所提取的故障特征使故障模式具有更好的可分性。