引导滤波联合局部判别嵌入的高光谱影像分类

高光谱遥感影像分类是高光谱遥感影像处理和应用的重要组成部分。然而,高光谱遥感影像具有波段数量较多和空间分辨率较高等特点,给分类任务带来一定的挑战。为了提高分类精度,充分利用影像的空间信息和像素间的局部信息,提出一种引导滤波联合局部判别嵌入的高光谱影像分类方法。首先,对高光谱遥感影像进行归一化,利用主成分分析方法实现特征提取,将提取的第一主成分影像作为引导图像;其次,采用引导滤波分别提取各波段影像的空间特征;然后,将提取的空间影像特征进行叠加,通过局部Fisher判别分析完成低维嵌入;最后,将得到的低维嵌入特征输入支持向量机分类器得到分类结果。采用Indian Pines和Pavia University两幅高光谱影像进行实验的结果表明:在分别从各类地物中随机选取10%和100个样本作为训练样本的情况下,其总体分类精度分别提高到98.28%和99.45%;对比其他相关方法,该方法能够获取更高的分类精度。该方法在低维嵌入的同时,有效利用了影像的空间信息,改善了分类效果。

代价敏感的局部判别嵌入人脸识别算法

局部判别嵌入算法寻求最高的正确识别率时假设所有的错误分类具有相同的错分代价,然而这个假设在现实的人脸识别系统中往往是不成立的,因为不同的错误分类将会导致不同的错分代价.为此,提出一种代价敏感的局部判别嵌入算法.首先通过构造代价矩阵将代价敏感理念融入到特征提取阶段,以提高算法判别不同错误分类的能力;然后最大化异类近邻样本点之间的错分代价,同时最小化同类近邻样本点之间的距离;最后利用迭代算法求得最佳的正交投影向量,以更好地维持数据的度量架构.在Yale,ORL,AR和Extended Yale B人脸数据库上的实验结果表明,文中算法是有效的.

两级2维局部判别嵌入特征提取的SAR图像识别方法

提出一种基于两级2维局部判别嵌入(2DLDE)特征提取方法,并将其应用于SAR图像目标识别.该方法以矩阵的形式处理单个样本数据,对SAR图像采用两级特征提取,先后对图像矩阵从行列两个方向进行投影变换,避免了LDE方法将图像数据转化为向量带来的维数灾难和小样本问题,同时增强了特征判别性.结合相应的图像预处理过程和分类方法,应用两级2维局部判别嵌入特征提取方法对MSTAR SAR图像数据进行实验,证明了该文方法的有效性和优越性.

基于核正交局部判别嵌入的人脸识别

针对人脸识别中的非线性特征提取问题,提出一种基于核正交局部判别嵌入(KOLDE,kernel orthogonal local discriminant embedding)的人脸识别算法。首先通过引入基向量正交约束,得到OLDE算法,并给出算法的推导过程。然后为了更好地处理高度复杂非线性结构数据,将OLDE向高维空间扩展,在核空间提取图像的高阶非线性信息,得到核空间OLDE算法。在ORL和PIE库上的人脸识别实验验证了算法的有效性。

空中视角下基于局部线性判别嵌入的目标跟踪方法

空中视角下无人机的目标跟踪是在空中视角下辨认出运动目标,并且对目标进行准确且连续的追踪。如何实现在遮挡,尺度变化,实时性要求高的俯视条件下鲁棒的目标跟踪仍是亟待解决的问题。提出一种将采用局部线性判别嵌入(LLDE)特征提取的方法和核相关滤波训练分类器相结合的算法。LLDE是流形学习中的局部线性嵌入算法(LLE)的改进,通过在LLE的基础上构造了一个向量转换和距离标度模型,使得不同类的样本距离更远,同类样本距离更近,提高了分类精度有助于解决遮挡和尺度变化。同时核相关滤波训练分类器,能够快速的跟踪目标满足空中无人机跟踪的时实性要求。算法保持了相关滤波的快速跟踪算法实时性的优势,同时对遮挡和尺度变化有较好的稳健性。实验表明,与其他算法相比,算法在速度和精度方面有优势。

基于监督局部线性嵌入的中药材分类鉴别研究

电子鼻所采集的中药材气味信息往往具有高维性和非线性。针对气味信息的这种特性,提出一种基于监督局部线性嵌入(SLLE)和线性判别分析(LDA)的气味数据分析方法。利用SLLE对所采集的高维非线性气味信息进行降维,目的是提取出气味数据内在的低维流行特征,并增大类别间的辨别信息;然后在低维空间中,利用LDA进行特征分类判别。通过实验,分别将该方法与单独使用SLLE及PCA+LDA方法进行对比分析,结果表明,该方法可以很好地对五种不同种类的中药材及三种不同产地的何首乌进行分类鉴别,其个体识别率和整体识别率均可达到100%,为使用电子鼻对中药材进行分类鉴别提供了一种行之有效的方法。

基于SALDE-UKF-SVM算法的WLAN室内定位方法

针对室内复杂环境,WLAN信号强度信息高维时变特性,提出一种引入监督能力的自适应局部线性判别嵌入算法(SALDE)和改进支持向量机(SVM)的室内无线定位算法。首先,该算法利用SALDE对所采集的WLAN信号进行特征提取,达到降低维度和增大类别间判别信息的双重作用。然后,在低维流形空间中,利用SVM对数据进行特征分类判别,缩小定位区域,同时建立位置坐标与信息强度的非线性映射模型;最终利用无迹卡尔曼滤波算法(UKF)对估算位置进行滤波处理,提高定位精度与稳定性。仿真结果表明,该算法在定位误差2 m范围内精度达到72.4%,在4 m范围内精度已经高达95.8%,相比于传统SVM算法2 m内精度提高18.2%,在4 m内的精度提高17.7%,定位精度得到明显提升,可以较好地满足室内定位的需求。

一种新颖的通信辐射源个体细微特征提取方法

针对传统的方法难以有效提取通信辐射源个体鲁棒的细微特征,将流形学习理论引入到通信辐射源细微特征提取,提出了一种基于正交局部样条判别流形嵌入的通信辐射源个体细微特征提取方法.在实际采集的通信电台数据集上的实验结果验证了该方法的有效性与可行性.

一种基于电子鼻的辛味中药材的分类鉴别方法研究

为获取新的气味识别方法以提高智能传感器模式分类识别准确率和速度,使用了内置10个传感器的便携式电子鼻PEN3对辛味中药材进行气味采集检测.将辛味中药材在烧杯中进行密封静置待其形成稳定的气味顶空环境时,运用电子鼻对其进行检测采样得到样品高维气味数据信息.与传统的线性数据分析方法不同,针对气味蕴含多种诸如浓度、各种挥发性物质成分等特征,可知气味非线性的本质特征,在本次分析中采用了流形算法中的非线性的局部线性嵌入(Locally Linear Embedding,LLE)算法对非线性的气味数据进行特征提取与降维,再采用基于Fisher的线性判别分析(Linear Discriminant Analysis,LDA)实现对特征子空间的模式聚类与分类,通过多次实验优化LLE算法的参数,得到了最佳的辛味中药材的模式识别效果.分析结果表明,运用LLE和LDA相结合的算法(即LLE_LDA)可以很好地完成不同种类辛味中药材的挥发性气味信息的模式分类,为深层次地分析基于电子鼻的气味数据信息提供了一种新方法.