一种基于不相关鉴别特征的人脸识别方法

提出了基于图像矩阵的不相关的线性鉴别分析方法,比较了采用图像矩阵和图像矢量特征时主分量分析方法和线性鉴别分析方法的识别性能,并对实验结果进行了详细分析。

基于图像矩阵的非线性不相关鉴别特征抽取技术

针对现有核 Fisher鉴别分析方法的弱点 ,提出了一种基于图像矩阵的非线性不相关鉴别特征抽取技术。该方法的基本思路是 :首先 ,通过经验核映射将原始输入空间 Rn 映射到某特征空间 RN,然后将特征空间 RN 上的训练样本向量变换为一个 p×k( N=p×k)的图像矩阵 ,最后基于该图像矩阵直接构造该空间上的散布矩阵。在Concordia大学的 CENPARMI手写体数字数据库上的试验结果验证了本文方法的有效性。

基于类内类间判据与遗传算法的故障特征选择方法

针对原始故障数据集因"高维"和"海量"引发的"维数灾难"问题,提出一种基于类内类间距离判据和遗传算法相结合的故障特征选择方法.在提取出时域、频域、小波包频带能量作为描述系统状态的原始故障特征集基础上,经类内类间距离判据初次选择剔除不相关特征之后,引入遗传算法二次选择去除冗余特征,得到一种近似最优特征子集.结果表明:基于类内类间距离判据和遗传算法的故障特征选择方法可以剔除不相关和冗余特征,最终得到精简特征子集,并且筛选出的特征子集对故障类型的判别有很高的识别能力.

无监督模式下统计不相关最佳鉴别平面

统计不相关最佳鉴别平面是一种重要的特征抽取方法,在模式识别领域中具有广泛的应用。然而,统计不相关最佳鉴别平面是基于Fisher准则和总体散布矩阵共轭正交条件的,需要通过样本类别信息计算Fisher最佳鉴别矢量,因而只能用于有监督模式。提出了一种将统计不相关最佳鉴别平面扩展到无监督模式下的方法,其基本思想是将模糊概念引入Fisher线性判别分析,通过对模糊Fisher准则的优化,在无监督模式下计算出最佳鉴别矢量及模糊散布矩阵,再根据共轭正交约束条件,求得第二条最佳鉴别矢量,进而获得一种基于无监督统计不相关最佳鉴别平面的特征抽取方法。对UCI数据集及CMU-PIE人脸数据库进行实验,结果表明,在样本类别信息缺失的情况下,该方法尽管无法具有与有监督模式下的统计不相关最佳鉴别平面特征抽取方法同样的性能,但当类别差异较大时,能够抽取有利于分类的统计不相关特征,获得优于主成分分析与独立成分分析等常见无监督特征抽取方法的性能。

ReliefF与QPSO结合的故障特征选择算法

为提高故障数据集的分类精度,将ReliefF算法与量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)进行结合,提出一种能够降低故障数据集维度的敏感故障特征选择方法。首先,在对经滤波消噪后的故障信号进行多域量化特征提取基础上,设定时域与频域特征、经小波包分解得到的各频带能量特征作为描述转子系统故障状态的初始故障特征集,并用转子系统的典型故障模拟信号集合得到了一种原始的故障数据集。随后,用ReliefF算法通过迭代计算得到的权值对故障数据集各特征向量进行加权、并设定阈值剔除不相关特征,据此实现了对原始故障数据集各特征的第一次筛选。最后,引入量子粒子群算法(QPSO)对特征集合进行二次筛选,剔除不利于实施分类的冗余特征并同时实现优化支持向量机的参数,通过处理得到了一种精简的最优特征子集和最合适的一组支持向量机参数。用得到的原始故障数据集对所建立的方法性能进行了计算验证。结果表明,该方法可有效地筛选出规模较小且故障模式辨识度高的低维故障数据集,它可显著提高故障分类器的辨识准确率。

基于异构数据融合的地震综合数据分析系统设计

针对地震综合数据因格式、来源不同导致数据分析效率低的问题,文中开展了基于异构数据融合的地震综合数据分析系统设计研究。通过构建无监督多模态、非负相关特征融合算法,以解决多模态数据共享空间内部特征的融合规律学习和聚类分析;同时针对多模态数据的相关和不相关特征,构建共享学习机制,将私有特征分离后得到具有可靠鲁棒性的模态共享特征;利用深度置信网络在网络平滑约束下将融合后的特征进行学习与分类,以提高数据分析能力。通过设置对照组进行对比测试,使用基于无监督多模态、非负相关特征融合算法的地震综合数据分析模型可以显著提高预测精度和纯度,纯度与精度分别提高了0.05%和0.06%,具有良好的可行性及优越性。

改进加权朴素贝叶斯的软件缺陷预测算法

针对软件缺陷预测领域特征之间存在紧密关联性而影响朴素贝叶斯分类性能的问题,提出一种改进加权朴素贝叶斯的分类算法。首先,通过预处理步骤以及特征成对计算,创建彼此之间的依赖关系。然后,通过构造权值的方式实现朴素贝叶斯的独立性假设松弛。最后,使用离散化方法将软件指标的数值转化为分类值,并利用min-max归一化程序对数据进行归一化处理。使用获得广泛认可的NASA信用数据库进行实验,实验结果表明,提出的改进算法比标准朴素贝叶斯方法预测效果更好,相比其他几种同类算法,提出的算法更具竞争性。

基于鉴别流形的不相关稀疏投影非负矩阵分解

基于流形学习、稀疏表示和鉴别分析理论,提出一种基于鉴别流形的统计不相关稀疏投影非负矩阵分解(discriminative manifold—based uncorrelated sparse projective NMF,DMUPNMF)算法。该方法继承了线性投影NM F优点,充分利用了数据集的局部和非局部几何鉴别信息,能够从数据集中抽取不相关鉴别特征,且分解结果具有良好的数据局部表示和稀疏性;给出多乘更新规则求解优化算法并证明其收敛性,还给出投影梯度优化算法以提高收敛速度。为解决大规模数据处理中计算量和存储空间过大问题,提出一种从训练集选取少量代表性样本学习DMUPNMF方法。大量的实验表明,该算法优于现有的改进NMF算法。