子模式典型相关分析及其在人脸识别中的应用

传统的典型相关分析(CCA)是有效的特征提取方法之一,已广泛应用于包括人脸识别在内的模式识别的许多领域.但在人脸识别为代表的高维小样本问题上该方法存在如下不足:1)人脸识别的小样本特性使CCA两组特征矢量构成的总体协方差矩阵奇异,难以直接应用;2)作为一种全局线性投影方法,不足以很好地描述非线性的人脸识别问题;3)缺乏对局部变化的识别鲁棒性.本文受已提出的子模式主分量分析(SpPCA)的启发,提出了子模式典型相关分析(SpCCA).该方法将局部与全局特征矢量之间的相关性特征作为有效的判别信息,既达到了融合局部与全局信息的目的,又消除了特征之间的信息冗余.通过子模式的划分,SpCCA避免了小样本问题,更好地描述了非线性的人脸识别问题;并通过投票方式融合结果,增强了对局部变化的鲁棒性.在AR与Yale两个人脸数据集上的实验证实了该方法比对比方法不仅有更优的识别性能,而且更加稳定和鲁棒.

基于特征子模式典型相关分析的热释电红外信号识别

为使现有热释电红外(PIR)探测器具有识别检测区域内红外辐射源的功能,提出一种基于典型相关分析(CCA)特征融合的人体和非人体PIR信号识别方法。该方法首先提取PIR信号的频谱和小波包熵特征,然后对频谱进行子模式划分,并分别与小波包熵特征进行CCA融合,把融合后的结果作为判别信息,从而实现了特征融合且消除了特征之间的信息冗余。最后通过多数投票方式融合判别结果。作为子模式CCA特征融合的一种特殊情况,文中分析了特征与自身子模式特征CCA融合的分类性能。实验结果表明,当频谱分为5个子模式时,能有效地对人体和非人体红外辐射源进行识别,识别率可达95.2%,比直接采用频谱与小波包熵CCA融合的识别率提高了2.7%。而采用小波包熵与自身子模式特征CCA融合的识别率最高为90.7%,比单独采用小波包熵的识别率提高了2.3%。

基于熵划分子模式典型相关分析的步态识别

步态识别的准确性容易受到衣着类型及携带背包等局部变化的影响。针对这一问题,首先提出一种基于局部信息熵值的子模式划分方法;然后对正常行走和局部变化两种状态下的每一对子特征进行典型相关分析,得到多个最佳投影矩阵对,并将子特征分别投影到基于上述最佳投影矩阵对的特征子空间中;最后以整体相关系数作为分类依据,以减小局部变化对于整体识别结果的影响。在CASIA-B数据库上的实验表明在所有视角下所提算法都能取得较好的性能。

基于核典型相关分析融合的XLPE电缆局部放电模式识别

提出使用核典型相关分析方法提取XLPE电缆接头局部放电信号PRPD图谱特征信息,并使用K最近邻分类算法实现不同绝缘缺陷模式的高准确率识别。利用YJV-26/35 k V型电缆及其附件设计了4种典型绝缘缺陷,使用脉冲电流检测获取局部放电样本信息,绘制了PRPD图谱并应用于样本数据,研究不同特征向量下的识别效果,在适合维数最终获得较高识别正确率。相对于传统电力设备模式识别方法,不但可以有效反映信号非线性特征,并可以将多种特征进行有效融合,消除冗余特征。

中国美利奴羊（新疆型）羊毛性状的亲子典型相关分析

通过对中国美利奴羊（新疆型）的羊毛产量、质量等性状的亲子典型相关分析，得到如下结论：１．父——女间的典型相关分析由于“平均相关”的影响，无法客观地反映亲子代的相关关系．２．母——子间的典型相关分析表明．羊毛产量与质量间存在着此长彼消的矛盾。３．典型相关变量为多住状选择提供了权重确定的客观依据．

混合概率典型相关性分析

典型相关性分析(canonical correlation analysis,CCA)是一种用来分析2组随机变量之间相关性的统计分析工具,但作为一种线性数学模型,CCA不足以揭示真实世界中大量存在的非线性相关现象.采用局部化的方法,在概率典型相关性分析(probabilistic CCA,PCCA)的基础上,使用概率混合模型框架,提出了混合概率典型相关性分析模型(mixture of probabilistic CCA,MixPCCA)以及估计模型参数的2阶段期望最大化(expectation maximization,EM)算法,并给出了使用聚类融合确定局部线性模型数量的方法和MixPCCA模型应用于模式识别的理论框架.在手写体数据集USPS和MNIST上的实验证明,MixPCCA模型通过混合多个局部线性PCCA模型不仅提供了一种捕捉复杂的全局非线性相关性的解决方案,而且还具备检测只在局部区域才存在的相关性的能力.

稀疏保持典型相关分析及在特征融合中的应用

稀疏保持投影(Sparsity preserving projections,SPP)由于保持了数据间的稀疏重构性,因而获取的投影向量满足旋转、尺度和平移的不变性,并能够在无标签的情况下提取样本的自然鉴别信息,在人脸识别领域取得了较为成功的应用.本文在典型相关分析(Canonical correlation analysis,CCA)的基础上引入稀疏保持项,提出一种稀疏保持典型相关分析(Sparsity preserving canonical correlation analysis,SPCCA).该方法不仅实现了两组特征集鉴别信息的有效融合,同时对提取特征间的稀疏重构性加以约束,增强了特征的表示和鉴别能力.在多特征手写体字符集与人脸数据集上的实验结果表明,SPCCA比CCA具有更优的识别性能.

一种新的有监督的局部保持典型相关分析算法

从模式识别的角度出发,在局部保持典型相关分析的基础上,提出一种有监督的局部保持典型相关分析算法(SALPCCA)。该方法在构造样本近邻图时将样本的类别信息考虑在内,由样本间的距离度量确定权重,建立样本间的多重权重相关,通过使同类内的成对样本及其近邻间的权重相关性最大,从而能够在利用样本的类别信息的同时,也能保持数据的局部结构信息。此外,为了能够更好地提取样本的非线性信息,将特征集映射到核特征空间,又提出一种核化的SALPCCA(KSALPCCA)算法。在ORL、Yale、AR等人脸数据库上的实验结果表明,该方法较其他的传统典型相关分析方法有着更好的识别效果。

基于Tag-rank和典型相关性分析的在线商品跨媒体检索研究

在线商品跨媒体检索是电子商务领域的研究热点,增强特征判别性以改善检索性能是其核心问题。引入Tag-rank模型计算单词的绝对排序和相对排序权重,以准确刻画单词在文本中出现位置的统计特性,抑制噪声干扰并提升关键词权重,从而增强文本特征判别性,最终改善跨媒体检索性能。实验表明:在文本检索图像中,相对排序类模型和绝对排序类模型检索性能平均提升6.58%和4.99%。在图像检索文本中,若合理选取图像特征;检索性能也有提升。所设计的后融合策略能进一步改善检索性能。

自动编码器与典型相关分析方法联合驱动的工业过程质量监测

本文将自动编码器(AE)特征提取方法和典型相关分析方法(CCA)有机结合,提出了一种联合驱动的质量监测模型及其质量相关的故障检测方法.首先,利用AE算法对输入样本进行无监督自动学习和重构,实现数据的特征提取和降维;其次,利用CCA算法实现特征与质量变量关联最大化,建立质量变量与特征变量的关系模型;根据监测模型的潜结构投影,构建T2统计量和SPE统计量及其相应控制限.将提出的方法用于分析带钢热连轧过程现场实际数据,结果表明,基于自动编码器–典型相关分析方法(AE–CCA)的质量监测方法能够准确的检测出故障,并且检测效果优于传统的核典型相关分析(KCCA)算法.

典型相关分析融合LBP和HOG特征的人脸年龄估计

通过人脸分析方法估计人类年龄的困难在于人脸外观的变化原因除了年龄变化,还受生活方式及环境等影响。人脸图像在采集时的复杂性造成的光照不均,人脸姿势等,也增加年龄估计难度。目前大多数年龄估计的方法都是预先对人脸图像进行灰度均衡和人脸矫正等预处理,采用外形或纹理信息作为特性的估计方法。提出一种多特征融合的人脸年龄估计方法,采用有较好的光照及旋转不变性的局部二进制模式(LBP)和梯度直方图(HOG)作为人脸年龄变化的特征描述子,用典型相关分析法(CCA)在特征层将LBP和HOG融合成更具年龄变化鉴别力的特征。然后通过学习得到一个多线性回归函数揭示融合后的特征和年龄之间的关系。实验结果表明该方法在没有人脸矫正等预处理的情况能取得较好效果。

云南省迪庆州附子母根与子根表型性状的相关性分析

旨在研究附子主要农艺性状的遗传规律,为深入开展附子育种奠定科学的理论基础。本研究结合了14份附子种质资源母根及子根的性状,采用相关分析、典型相关分析和因子分析对由母根性状组成的矩阵和子根性状组成的矩阵进行多角度的分析,探明性状间的相互关系及明确性状在育种工作中的重要性。结果表明:母根性状之间、子根性状之间以及母根与子根性状之间均有不同程度的相关;母根与子根存在6组显著的典型相关关系,在每一组变量中均选择出若干个有代表性的指标来反映母根与子根变量间的相关;通过因子分析,将母根与子根中的多个变量减少为5个新因子,再现了系统内变量之间的内在联系。在附子性状选择过程中,种球应尽量选择须根长的;可适当放宽种球须根数的选择;种球主根粗壮会使子根着生点间距紧凑;培植子根重量的同时,应兼顾子根中主根长、须根粗和分根粗的培养,这些性状关系到附子下一代的发展。

城市空气质量的EOF展开及其与气象因子的CCA分析——以南京市为例

以南京市城区夏季情况为例,利用1996—1998年SO2、NOx、TSP日平均浓度资料,从空气污染物超标率原始序列出发进行EOF(经验正交函数)展开,分析了南京市大气污染静态状况及动态演变特征。还采用各测站SO2浓度与同期气象资料进行CCA(典型相关分析)的方法,比较了各气象因子对污染物浓度的影响大小。

有样本缺失的稀疏保持典型相关分析

在典型相关分析(CCA)的基础上,通过稀疏保持引入样本的类别信息,利用交叉相关项克服CCA及其推广算法要求不同视图样本必须成对出现的局限,提出一种有监督学习方法——有样本缺失的稀疏保持典型相关分析(SPCCAM).SPCCAM能在训练样本不成对的情况下进行多视图特征融合.在人工数据集、手写体数据集和PIE人脸数据集上的实验结果表明,SPCCAM能有效利用类信息提高分类性能.

典型相关分析融合全局和局部特征的人脸识别

为了提高人脸的识别率,提出一种典型相关分析融合全局和局部特征的人脸识别算法(SUB-CCA)。通过划分子模式方式避免人脸识别存在小样本、非线性问题,并提取局部特征,采用主成分分析提取人脸图像的全局特征,并采用相关分析算法对全局、局总特征进行融合,消除特征间冗余信息,降低特征维数,采用投票法得到人脸识别结果,并采用3个人脸数据集对算法性能进行测试。仿真结果表明,相对于参比算法,SUB-CCA提高了人脸识别的识别精度。

核主成分分析与典型相关分析相融合的人脸识别

人脸识别具有小样本、高维等特性。典型相关分析算法(CCA)无法准确提取人脸识别特征,不能准确刻画人脸图像的局部变化,导致人脸识别率低。为提高人脸识别率,提出一种核主成分分析与典型相关分析相融合的人脸识别算法(KPCA-CCA)。首先将人脸图像划分多个子模块,然后提取局部特征,同时采用KPCA提取全局特征,并采用CCA将两种特征进行融合,降低特征向量的维数,最后采用子模式进行人脸识别,以投票方式确定人脸的类别。采用AR与Yale数据集对KPCA-CC性能进行测试,仿真结果表明,相对于对比模型,KPCA-CCA提高了人脸识别的识别率。

改进典型相关分析的虹膜鉴别算法

针对典型相关分析(CCA)无法准确刻画虹膜图像的局部遮挡变化缺陷,提出一种改进典型相关分析相融合(ICCA)的虹膜识别方法。以全局和局部特征间的相关性特征作为有效的判别信息,通过划分子模,并以简单投票进行结果矫正,提高方法的稳定性,以CASIA数据集验证ICCA的有效性。结果表明,ICCA的识别率明显优于参比方法。

基于核典型相关分析的多特征组合人脸识别

为了提高人脸的识别率,利用多特征和分类器之间的互补优势,提出一种基于核典型相关分析的多特征组合人脸识别方法(KCCA-MF)。提取人脸图像的LBP特征和Gabor特征,采用核典型相关分析算法对两种特征进行融合,以消除冗余特征,采用K近邻算法和支持向量机建立组合人脸分类器,并采用3个经典人脸库进行仿真分析。结果表明,相对于其他人脸识别方法,KCCA-MF提高了人脸识别的识别准确率和效率,可以满足人脸识别的实时性要求。

核诱导距离度量的鲁棒典型相关分析

典型相关分析(canonical correlation analysis,CCA)是寻找同一对象两组变量间线性相关性的一种常用的多元统计分析方法,其采用的欧氏距离度量方式导致了算法的非鲁棒性。核诱导的距离度量不仅在理论上被证明是鲁棒的,而且在(聚类)应用上获得了有效验证。将其进一步应用于CCA,发展出了核诱导距离度量的鲁棒CCA(CCA based on kernel-induced measure,KI-CCA)。该算法不仅克服了CCA非鲁棒的不足,而且使现有基于最大相关熵的鲁棒主成分分析(half-quadratic principal component analysis,HQ-PCA)成为特例,且具有非线性相关分析的能力。一方面,核的多样性使得KI-CCA也具有多样性,从而使其成为一般性的分析算法。另一方面,与CCA刻画上的相似性,使其求解可归结为广义特征值问题。在人工数据、多特征手写体数据库(multiple feature database,MFD)和人脸数据集(Yale、AR、ORL)上的实验验证了该算法的有效性。

基于核典型相关分析的故障检测方法

针对化工过程中存在大量非线性问题,目前存在的主要方法为将核算法与偏最小二乘算法相结合(KPLS),相比于KPLS算法,将核与典型相关分析相结合的方法(KCCA)能够最大化两组变量相关性,以达到更好的检测效果。然而KCCA方法不能准确地将数据空间分解成与关键性能指标(KPI)相关和不相关的部分,从而忽略了剩余空间仍然涉及与KPI相关的一些信息的事实。文中提出了一种新的改进的KCCA (MKCCA)方法,该方法对核矩阵的可计算负载进行奇异值分解(SVD),得到一个投影模型,将核矩阵适当地分解为KPI相关部分和不相关部分,然后设计两个统计量进行故障检测。最后利用田纳西伊士曼(TE)过程验证了所提出方法的有效性和优越性。