一种正交局部鉴别嵌入的人脸识别算法

为了解决局部鉴别嵌入(LDE)算法的高维小样本泛化能力弱和分解致密矩阵计算量较大的问题,提出了一种基于谱回归的正交局部鉴别嵌入算法(SR-OLDE),采用谱回归理论与正交化技术相结合的方法,将投影函数的求解转化为回归问题的求解.该算法首先计算训练样本的特征向量;然后通过回归方法计算投影向量,得到测试数据集,从而将n×n维的致密矩阵的特征分解转化为m×m维矩阵的特征分解,n,m分别为人脸特征矩阵维数和人脸样本数;最后对投影向量进行Gram-Schmidt正交化,得到正交的投影矩阵,从而可准确估计高维数据的内在维数,提高了样本的泛化能力.实验结果表明,该算法在降低人脸特征矩阵维数和提高人脸识别率的同时,缩短了计算时间.

面向文档分类的LDE和简化SVM方法研究

为了快速准确地对文档进行分类,提出了一种基于局部鉴别嵌入LDE和简化SVM的高效文档分类算法。该算法首先利用LDE算法把高维文档数据投影到低维特征空间,然后在低维特征空间利用精简SVM进行分类。实验结果表明该算法具有分类准确率高和运行速度快的优点。

基于流形正则化的文档分类算法研究

基于流形正则化框架提出一种分类算法(MLD-RLSC),以解决高维文档分类问题。该算法通过构建训练样本的最近邻图来估计数据空间的几何结构并将其作为流形正则化项,结合多变量线性回归获得高维文档的低维流形结构,并采用k近邻分类器对低维流形进行分类,得到针对多类问题的分类器。该算法能够充分利用训练样本的类别信息来帮助学习以提取有效特征。通过在Reuters-21578数据集上的实验,证明该算法的分类性能和运行速度比传统分类器有较大的提高。