用于人脸识别的张量图优化的Fisher判别分析

最近提出的图优化的Fisher判别分析(Graph-based Fisher Analysis,简称GbFA)具有很强的判别性能,并成功地应用于人脸识别。但GbFA需要将二维的人脸图像矩阵转化为向量,因此容易丢失像点的空间关系。为此,提出用于人脸识别的张量图优化线性判别分析(Tensor Graph-based Fisher Analysis,简称TGbFA)。该算法把二维的人脸图像矩阵看作二维张量数据,并通过GbFA方法迭代求得两个投影矩阵。在Yale和YaleB的人脸库的实验表明,TGbFA算法继承了GbFA的特性,与现有的张量线性判别分析算法相比,TGbFA具有较好的判别性能。

核Fisher判别分析多参数自动优化算法

针对智能优化算法原理复杂,相关参数设置困难的缺点,尝试利用拟牛顿法对核Fisher判别分析多个核参数进行自动优化。根据经验风险最小准则构建目标函数。为保证目标函数连续且可导,通过连续的sig-moid函数将离散的二进制输出转化为连续的概率输出。利用正交表选取初始核参数点。实验结果表明,所提算法具有同遗传算法相近的分类性能,且收敛速度快,原理简单,可以很好地应用于核Fisher判别分析多个核参数优化。

一种用于人脸识别的图优化线性判别分析算法

提出一个面向人脸识别的基于图优化的线性判别分析降维算法。该算法首先定义同类性的关联邻接矩阵和异类性的互斥邻接矩阵;然后以两个邻接矩阵作为作用因子分别建立两种不同样本之间的权值矩阵;最后通过这两个度量权值矩阵的相关投影完成数据的降维。在Yale、YaleB和UMIST人脸库的实验验证了该算法的有效性。

基于正交半监督局部Fisher判别分析的故障诊断

针对有标记故障样本不足和故障特征集维数过高的问题,提出基于正交半监督局部Fisher判别分析(Orthogonal semi-supervised local Fisher discriminant analysis,OSELF)的故障诊断方法。所提出的OSELF能够充分地利用蕴含于无标记故障样本中的故障信息,避免了因有标记故障样本不足引起的过学习问题,同时采用正交迭代方式求解最优正交映射矩阵,克服现有方法无法得到正交映射矩阵的不足。正交映射矩阵的基矢量统计不相关,可有效地提高所得低维特征矢量的可辨识性。通过正交映射矩阵对故障样本集和新增样本进行维数约简,并将维数约简的结果输入粗糙优化k最近邻分类器(Coarse to fine k nearest neighbor classifier,CFKNNC)进行学习训练和故障识别。所提方法集成了OSELF在维数约简和CFKNNC在模式识别的优势,有效地提高了故障诊断的精度。通过齿轮箱故障模拟试验验证了该方法的有效性。

基于主成分分析的潘谢矿区突水水源Fisher判别模型

依据淮南潘谢矿区的各含水层水化学成分的差异性,针对复杂的多类突水水源判别问题,建立基于主成分分析方法与Fisher分析方法的水源判别综合模型。以潘谢矿区的39个水样作为学习样本,6个水样作为预测样本对该模型进行检验和应用。结果表明:该模型判别矿井突水水源准确率高,具有准确快速、简易方便、实用性强的特点。

步态能量图和KFDA的步态识别研究

为了有效地获取步态连续性的动态特征,快速准确地进行身份识别.特提出了一个基于步态能量图(Gait Energy Image,GEI)和核Fisher判别分析(Kernel-based Fisher Discrimination Analysis,KFDA)的分类识别算法.算法首先以步态能量图(GEI)按列向量作为输入,求得最优子空间W_(opt)和α_(opt).利用提取步态能量图(GEI)的步态信息向量计算在α_(opt)上的投影,并计算其投影轨迹.在分类阶段,采用最近邻分类器(Nearest neighbor classifier).最终在中科院自动化研究所CASIA B步态数据库上进行实验,对比多项式、高斯径向基核函数和其他四种算法的结果显示,本文算法取得了较高的识别率.

正则化FDA的核化及与SVM的比较研究

无论是Fisher判别分析(FDA)还是基于核的FDA(KFDA),在小样本情况下都会面临矩阵的病态问题,正则化技术是解决该问题的有效途径。为了便于研究正则化FDA与支持向量机(SVM)的关系,推导了一种正则化FDA的核化算法。将约束优化问题转换为对偶的优化问题,得到了与SVM相似的形式,分析了该核化算法与SVM的联系。针对Tenessee-Eastman(TE)过程的故障诊断结果表明,正则化KFDA的诊断效果明显好于LS-SVM。

基于混沌粒子群的车道线检测算法

为解决在恶劣天气、光照条件变化和路面信息干扰等情况下的车道线检测识别率低的问题,提出一种采用核Fisher线性判别分析灰度变换以及混沌粒子群的车道线检测算法。将高维的RGB彩色图像通过最佳鉴别投影向量投影到低维的子空间,通过混沌粒子群算法,根据车道线特征,遍历粒子取值范围内的空间,寻找适应度函数最大的解,根据最优解获得的直线参数在图像上拟合车道线。实验结果表明,所提算法能够实现各种道路情况下的车道线检测功能,验证了该算法具有良好的鲁棒性。

基于加权多核学习的FLDA在人脸识别中的应用

模式识别技术的应用及研究表明,单核学习在人脸识别中的应用已经很成熟,但是,在单核学习中分类的效果并不是很好。基于此,提出了一种多核构造方法,即基于加权多核学习的FLDA方法(WMKL-FLDA),通过一系列带有权值约束的基本内核线性组合构建内核,并且利用权值优化迭代方案对最大边缘准则(MMC)进行优化。在FERET及CMU PIE人脸数据库上的实验表明,与以往的单核FLDA方法相比,提出的多核学习方法不仅实现了更高的识别性能,在构造内核方面也放松了参数的选择要求。

基于改进粒子群算法的核函数参数优化

针对核主元分析(Kernel Principal Component Analysis, KPCA)的性能极大地受到本身核函数参数影响问题,提出一种新型的聚类KPCA-FDA-IPSO核参数优化方法。该方法结合KPCA特征分析的相关方法,综合考虑样本的类内离散度和类间距离,并通过Fisher判别分析(Fisher Discriminant Analysis, FDA)建立的数学模型,再将传统粒子群优化算法(Particle Swarm Optimization, PSO)改进为具有继承机制的粒子群优化算法(Inheritance PSO,IPSO),并对核函数寻优。通过数据集仿真和应用研究,验证了该方法能有效地优化核函数参数并提高了KPCA的故障诊断性能。