基于核独立成分分析的人脸识别研究

在人脸识别中提出一种基于非线性子空间的核独立成分分析(KICA)方法。在简单介绍了ICA方法的基础上,对KICA方法的基本原理和算法作了较为详细的描述。为了验证基于KICA和ICA的人脸识别方法的识别效果,进行了对比实验和分析。实验和分析结果表明,在人脸识别中,基于KICA的方法优于基于ICA的方法。

基于主成分分析与核独立成分分析的降维方法

根据主成分分析(principal component analysis,PCA)法的降维去噪技术和核独立成分分析(kernelindependent component analysis,KICA)法的盲源分离技术,提出了一种关于两者的融合方法,即PCA-KICA方法。将该方法应用于线性和非线性高维混合信号的降维处理中,以相关系数和Amari误差为标准,同主成分分析与独立成分分析(principal component analysis-independent component analysis,PCA-ICA)融合方法进行比较。仿真结果标明,PCA-KICA方法与PCA-ICA方法相比,在处理复杂非线性高维混合信号时效果相当,但在处理线性高维混合信号时的效果较好。

基于WKGV-KICA的盲源信号分离算法

基于核学习的非线性映射能力,提出一种小波核广义方差的核独立成分分析算法WKGV-KICA.小波核函数具有近似正交,适用于信号局部分析的优点.与互信息相联系,将核广义方差作为对比函数对统计独立性进行衡量,可以获得理想的数学特性.将该算法应用于宽范围的盲源分离问题的实例中,并与现有算法进了比较.实验结果表明,WKGV-KICA算法在同等条件下的分离精度更高,而且性能更好.