基于局部线性嵌入的最大散度矩阵算法

提出一种基于局部线性嵌入的最大散度矩阵算法——FSLLE。引入线性映射解决局部线性嵌入算法的样本外学习问题,通过自适应动态地确定局部线性空间邻域参数,最大化地融合样本数据的类别信息和局部结构信息矩阵,以获取髙维数据的最佳分类低维子空间。在JAFFE人脸表情库对该算法进行测试,结果表明,FSLLE算法能根据流形结构动态地确定局部邻域的大小,具有较好的表情识别率。

基于矩阵模式的最小类内散度支持向量机

基于最小类内散度支持向量机(MCSVMs)提出一种新的矩阵模式的最小类内散度支持向量机(MCSVMsmatrix).同时为了更好地解决非线性分类问题,将Mercer核函数引入到MCSVMsmatrix方法中,并提出基于矩阵模式的非线性支持向量机:Ker-MCSVMsmatrix.上述两种方法不但继承了MCSVMs的优点,而且由于将矩阵模式的类内散度矩阵引入到支持向量机中,从而在理论上可以较好地解决了MCSVMs方法在处理小样本高维数据集时类内散度矩阵奇异性问题,同时降低了求解类内散度矩阵及其逆矩阵和权重矢量的时间、空间复杂度.因此,在一定程度上提高了分类精度.实验结果也表明MCSVMsmatrix、Ker-MCSVMsmatrix具有上述优势.

白化散度差矩阵的独立元分析应用于表情识别

提出基于白化散度差矩阵的独立元分析算法,增加不同类表情之间的类间距离,减弱人脸个体差异性信息对表情识别的干扰,避免传统的二维主元分析方法(2DPCA)以总体散布矩阵作为产生矩阵,有效地简化了白化实现过程,提高了白化性能,削弱了光照、姿态等噪声对表情识别的影响。该算法首先采用散度差矩阵求白化矩阵,由快速固定点算法(FASTICA)求解样本独立元,最终由最近邻准则实现表情识别。实验结果表明,提出的算法要优于传统的2DPCA及ICA算法,为表情识别提供了一条有效途径。

集成散度的MKL模型在模拟电路诊断中的应用

为提升模拟电路故障诊断精度,结合基于故障特征间一维模糊度的特征选择算法,提出一种新的多核超限学习机诊断模型。该模型通过设置虚拟的基核,将正则化参数融入基核权重求解过程中;同时,通过将特征空间类内散度集成到多核优化目标函数中,在最小化训练误差的同时,使得同一模式的故障样本更加集中,有效提升了故障模式间的辨识力。通过两个模拟电路诊断实例表明:相比于单核学习算法,所提方法可以显著提升诊断精度,并且可以将难以辨识的故障样本更加准确地隔离到相应模糊组中;相比于一般的多核学习算法,所提方法在取得相似诊断精度的同时,时间花费更少。

改进的图像恢复张量扩散模型

受噪声的影响,图像的局部梯度特征很难被准确地估计,这影响了非线性扩散方法的滤波效果.根据影响视觉效果的2个低层次局部特征——相位一致性和梯度,提出一种各向异性张量扩散模型.首先结合梯度信息提出了极大相位一致性方向投影的散度矩阵;其次构造一种改进的张量扩散模型,并给出了相应的离散差分格式和算法流程.通过数值实验,验证了文中模型在计算效率、客观量化和视觉效果方面的有效性.

相异度导引的有监督鉴别分析方法

提出了相异度导引的有监督鉴别分析方法(D-SDA)。结合模式局部信息和全局信息,定义了类内散度权重矩阵R^W和类间散度权重矩阵R^B,分别表示类内样本的相异度、类间样本的相异度。由R^W、R^B导出类内散度矩阵S^W和类间散度矩阵S^B,根据Fisher鉴别准则函数确定最优变换矩阵。在YALE和AR人脸图像库上的实验验证了这一算法的有效性。

应用监督近邻重构分析的高光谱遥感数据特征提取

针对高光谱遥感数据特征提取方法的研究,提出了一种新的监督近邻重构分析(Supervised Neighbor Reconstruction Analysis,SNRA)算法。该方法首先利用同一类别的近邻数据点对各数据点进行重构;然后在低维嵌入空间中保持该重构关系不变,尽可能地分离开非同类数据点,并利用总体散度矩阵来约束数据间的相关性;最后求解得到一个最佳投影矩阵,进而提取出鉴别特征。SNRA算法不仅保持了同类数据的局部结构而且增强了非同类数据的可分性,同时减少了数据的冗余信息。在Indian Pine和KSC高光谱遥感数据集上的实验结果表明:提出的方法能更好地揭示出高光谱遥感数据的内在特性,提取出更有效的鉴别特征,改善分类效果。

适用于小样本问题的具有类内保持的正交特征提取算法

在人脸识别中,具有正交性的特征提取算法是一类有效的特征提取算法,但受到小样本问题的制约.本文在正交判别保局投影的基础上,提出了一种适用于小样本问题的具有类内保持的正交特征提取算法.算法根据同类样本之间的空间结构信息,重新定义了类内散度矩阵与类间散度矩阵,进而给出了一个新的目标函数.然而新的目标函数对于人脸识别问题,同样存在着小样本问题.为此本文将原始数据空间降到一个低维的子空间,从而避免了总体散度矩阵奇异,并在理论上证明了在该子空间中求解判别矢量集,等价于在原空间中求解判别矢量集.人脸库上的实验结果表明本文算法的有效性.

基于2DGabor小波与BDPCA的掌纹识别

提出一种解决双向主成分分析(BDPCA)中小样本问题的掌纹识别方法。把掌纹感兴趣区域图像经过2DGabor小波变换后得到的每个图像都作为独立的样本,以增加每一类掌纹的样本数。设计一种基于样本散度矩阵的改进BDPCA算法进行特征提取。采用训练样本的k值矩阵代替训练样本的平均值矩阵,从而获得最优投影矩阵。将2DGabor与改进的BDPCA算法相结合进行掌纹识别。在PolyU掌纹库中的实验结果表明,该方法不仅减少了不同训练样本对识别率的影响,而且能够提高识别率,甚至当每类训练样本数仅为1时,也能得到较高的识别率,有效解决了掌纹识别的小样本问题。

一种改进的BDPCA掌纹识别方法

在小样本的情况下,BDPCA算法中采用以训练样本的平均值作为样本分布中心,所得的特征值不一定是最优的。为此,提出了一种基于样本散度矩阵的改进BDPCA掌纹识别算法。该算法采用训练样本的K值矩阵替代训练样本的均值矩阵,构建相应的总体散度矩阵。在PolyU和CASIA掌纹库上的实验结果证明,该方法的最优识别率高于传统的BDPCA算法。

基于极小准则的完备正交判别局部保持算法

以无监督判别投影算法为理论基础,提出了一种基于极小准则的完备正交判别局部保持投影算法。算法首先根据同类样本的空间信息重新定义了类内局部保持散度矩阵与类间局部保持散度矩阵,然后借鉴无监督判别投影算法的目标函数,推导出一个基于极小准则的目标函数,该目标函数通过投影到总体散度矩阵的非零空间中有效地解决小样本问题,最后给出了该算法基于QR分解的正交投影矩阵的求解方法。人脸库上的实验结果表明了所提方法的有效性。

核的正交完备鉴别局部保持投影

针对完备鉴别局部保持投影算法所求得的最优判别矢量间存在信息冗余问题,提出了核的正交完备鉴别局部保持投影算法。通过将核函数技术与正交性原理融合,采用高斯核函数将原始样本映射到高维特征空间,在高维特征空间的局部总体散度矩阵中计算最优判别矢量,只需在整个范围内对值域空间进行特征值分解,去除局部零空间达到样本降维目的。该算法分别在UMIST人脸库和JAFFE人脸表情库上进行实验,实验结果表明算法的识别率高达95.59%。

基于2DUGDP的戴眼镜人脸识别

针对戴眼镜人脸识别问题,提出了二维非监督测地线判别投影(2D unsupervised geodesic discriminant projection,2DUGDP)方法.该方法在扩充虚拟样本库的基础上,分析戴眼镜人脸图像和不戴眼镜人脸图像的差异及戴不同眼镜人脸图像的差异,提取判别特征用于识别.该特征考虑局部特征的同时考虑非局部特征,寻找一种最优投影在最大化非局部散度矩阵的同时最小化局部散度矩阵,使得距离近的数据投影后仍然近,距离远的数据投影后仍然远.考虑到人脸是非线性的流形结构,文中采用测地线距离表示样本间的差异.在FERET人脸库和CAS-PEAL人脸库上分别进行了实验,实验结果表明,该方法相比较其他方法更能提高戴眼镜人脸的识别率.

复杂生物数据集的聚类数自动确定方法

聚类数目是影响聚类效果的关键参数,通常需要人工确定,对于较难获得这一先验知识的复杂生物数据集,聚类分析会因此受到限制。针对这一问题,文章提出一种自动确定最佳聚类数目的方法,该方法利用体现"类内紧凑类间离散"思想的优化聚类算法来执行主要计算,结合目标函数二阶差分的判定准则,通过聚类算法的自学习来确定最佳聚类数。实验结果显示,该方法能在复杂数据集上自动得到合理的聚类数目。

基于改进二维保局投影算法的人脸识别

传统的二维保局投影(2DLPP)算法未考虑样本邻域间局部信息,并且所提取的特征矩阵分量间存在相关性。针对该问题,提出基于大间距准则的最小相关性监督2DLPP算法。引入类间局部散度矩阵和类内局部散度矩阵,最大化带权的散度矩阵迹差,以增大样本类间散度,减小样本类内散度,从而更好地刻画数据的流形结构。计算所提取特征矩阵各分量间的协方差矩阵,通过最小相关性分析,减少特征信息的冗余。在Yale和ORL人脸库上进行仿真实验,结果显示,当训练样本数为5时,该算法的最高识别率分别为92.5%和96.2%,与传统2DLPP算法、二维主成分分析法、二维线性判别分析法和二维大间距准则法相比,识别率均有所提高。同时对不同训练样本数下识别率均值和方差进行分析,验证了算法的稳定性。

基于二维有监督测地线判别投影的戴眼镜人脸识别

针对戴眼镜人脸识别问题,提出了二维有监督测地线判别投影(2D Supervised Geodes-ic Discriminant Projection,2DSGDP)方法。该方法在扩充虚拟样本库的基础上,分析戴眼镜人脸图像和不戴眼镜人脸图像,及戴不同眼镜人脸图像的差异,提取判别特征用于识别。该特征同时考虑类内类间差异,寻找一种在最大化类间散度矩阵的同时最小化类内散度投影矩阵,使得属于同一类的数据投影后距离近,不同类的数据投影后距离远,降维投影后的类别特征得以保持。在FERET人脸库和CAS-PEAL人脸库上分别进行了实验,实验结果表明,该方法相比较其他方法更能提高戴眼镜人脸的识别率。

高效求解方法的核典型相关分析算法

针对高维小样本数据在核化图嵌入过程中出现的复杂度问题,引入基于核化图嵌入(kernel extension of graph embedding)的快速求解模型,提出了一种新的KGE/CCA算法(KGE/CCA-S_t)。首先将样本数据投影到维数远低于原样本空间维数的总体散度矩阵对应的秩空间,然后采用核典型相关分析进行特征提取,整个过程减少了核矩阵的计算量。在Yale人脸库和JAFFE人脸库上进行仿真实验,结果表明这种KGE/CCA算法的识别率明显优于KFD、KLPP和KNPE算法的识别率;和传统的KGE/CCA算法相比,在不影响识别率的情况下,KGE/CCA-S_t算法有效减少了计算时间。

基于改进BDPCA的人脸识别研究

人脸识别属于小样本问题,传统的双向主元分析法(BDPCA)所使用的训练样本均值不一定是样本分布的真实中心,以此来确定的投影矩阵也未必是最优的。为此,一种改进的BDPCA方法被提出,用样本中值矩阵M代替训练样本均值矩阵,再构建散度矩阵进行投影,以期优化得到的投影矩阵,提高识别效率,并在o RL和YALE人脸库上对本算法进行了仿真。实验结果表明,该算法能够有效的降低运算时间,同时提高最优识别率。

基于奇异值分解的掘进机振动信号特征量提取

针对掘进机动载荷识别难度大的问题,提出了基于奇异值分解的掘进机振动信号特征量提取方法。对采集的振动信号进行小波包分解,重构底层各频带节点系数,进而构造时频矩阵;对该矩阵进行奇异值分解,并基于Fisher判据,利用基于散度矩阵的类可分性准则,选择对不同截割岩壁硬度较为敏感的奇异值作为振动信号的特征量,并利用散度矩阵准则值来解决无法定量衡量各阶奇异值对截割硬度敏感程度的问题。与小波包频带能量法提取的特征向量进行比较,结果表明,对于掘进机水平截割、垂直截割和纵向钻进3种工况下的振动信号,基于奇异值分解法提取的特征向量都具有更好的类可分性。

特征脸及其改进方法在人脸识别中的比较研究

人脸识别是生物特征识别技术中一个非常活跃的课题,目前已取得了很多研究成果。特征脸法是一种常用的人脸特征提取和识别方法。对传统的特征脸方法进行改进,可以提高人脸正确识别率、缩短识别时间。本文对特征脸及其改进方法做了理论和实验比较,分析了各自的优缺点。