基于电子鼻和改进无监督鉴别投影算法的大闸蟹新鲜度识别方法

通过自制电子鼻系统采集活体大闸蟹的气味信息,采用流行学习算法对大闸蟹样本的多维特征响应进行降维,提取样本的低维特征向量,再利用反向传播神经网络实现对大闸蟹新鲜度的识别,并与理化指标挥发性盐基氮进行比较。结果表明,基于该算法的大闸蟹新鲜度识别的准确度可达到98.1%,且依据电子鼻技术与依据理化指标判断结果基本一致,因此采用电子鼻技术的大闸蟹新鲜度无损识别方法是可行的。

核无监督鉴别投影及人脸识别

提出一种基于核方法的无监督鉴别投影,在较好地描述人脸图像的同时,对图像进行有效地分类。对核局部保留投影(KLPP)和无监督鉴别投影技术(UDP)进行了相应的研究,将两者互相结合。该方法同时考虑到样本的局部特性和非局部特性,有效地利用了对分类有用的重要信息;此外,将核方法和流形学习方法结合起来,有效地描述人脸图像的非线性变化,对于人脸识别问题有较好的效果。在Yale库上的实验表明,该方法的识别率明显高于UDP和PCA,且有较好的分类效果。

基于核正交半监督鉴别分析的人脸识别算法

针对人脸识别中的非线性特征提取和有标记样本不足问题,提出了在核空间具有正交性半监督鉴别矢量的计算方法。算法利用核函数将人脸数据映射到高维非线性空间,在该空间采用边界Fisher判别分析(Marginal Fisher Analysis,MFA)算法将少量有类别标签样本进行降维,同时采用无监督鉴别投影(Unsupervised Discriminant Projection,UDP)对大量无标签样本进行学习,以半监督的方法构造算法的目标函数,在特征值求解时以正交方式找出最优投影向量,进行人脸识别。通过实验,在ORL和YALE人脸数据库上验证了该算法的有效性。

基于图的有监督判别投影

无监督鉴别投影没有利用样本类别标签,所以没有利用样本的鉴别信息。该文在无监督鉴别投影算法的基础上提出了基于图的有监督判别投影(graph-based supervised discriminant projection,GSDP)算法,利用吸引图和排斥图设计目标函数进行特征抽取,建立吸引图的目的是使同类但不是近邻的样本互相吸引,建立排斥图的目的是击退近邻但不是同类的样本。在Feret,Yale和Orl这3个标准人脸库上的大量实验表明了该算法的有效性。

最大散度差无监督鉴别特征抽取与人脸识别

最大散度差准则是对Fisher准则的改进,消除了小样本问题,但是该方法是基于整体特征的人脸识别方法,没有考虑到样本的局部特性。无监督的鉴别投影(UDP)技术,用于对高维数据进行维数缩减,它同时考虑到样本的局部特征和非局部特征,但是在人脸等高维图像识别的应用中,不可避免地会出现小样本问题。提出一种基于散度差的无监督鉴别特征抽取,避免了局部协方差奇异所产生的问题。在ORL人脸库和AR人脸库上的实验结果验证了该算法的有效性。

增强的无监督人脸鉴别技术

增强的独立分量分析(EICA)是一种基于样本整体特征的无监督特征抽取方法,并没有考虑样本的局部特征,因此EICA不利于处理人脸识别这类非线性问题的。无监督鉴别投影技术(UDP)用于高维数据压缩,其基本思想是寻找一组有效的投影方向,使得样本投影后,局部散度最小同时非局部散度最大。UDP同时考虑到样本的局部特征和非局部特征,能够反映样本内在的数据关系,因此UDP能够对样本有效地分类。提出了一种增强的无监督人脸鉴别技术,该方法结合了EICA和UDP的优点,能够:(1)反映样本高阶统计特征;(2)发掘样本内在的几何结构,从而有利于分类。在Yale人脸库和FERET人脸库上的实验验证了该算法的有效性。

一种自适应邻域选择半监督判别分析算法

为克服边界Fisher判别分析(MFA)只利用少量有标记样本和构建邻域不能充分反映流形学习对邻域要求的缺点,提出一种基于局部线性结构的自适应邻域选择半监督判别分析的算法。采用自适应算法扩大或者缩小近邻系数k来构建邻域以保持局部线性结构。MFA通过少量有类别标签样本进行降维的同时UDP对大量无标签样本进行学习,以半监督的方法对高维人脸数据进行维数约减。最后,在ORL和YALE人脸数据库通过实验结果验证了该算法的有效性。