稀疏保持典型相关分析及在特征融合中的应用

稀疏保持投影(Sparsity preserving projections,SPP)由于保持了数据间的稀疏重构性,因而获取的投影向量满足旋转、尺度和平移的不变性,并能够在无标签的情况下提取样本的自然鉴别信息,在人脸识别领域取得了较为成功的应用.本文在典型相关分析(Canonical correlation analysis,CCA)的基础上引入稀疏保持项,提出一种稀疏保持典型相关分析(Sparsity preserving canonical correlation analysis,SPCCA).该方法不仅实现了两组特征集鉴别信息的有效融合,同时对提取特征间的稀疏重构性加以约束,增强了特征的表示和鉴别能力.在多特征手写体字符集与人脸数据集上的实验结果表明,SPCCA比CCA具有更优的识别性能.

稀疏保持典型相关分析特征选择与模式识别

构建一种基于稀疏保持典型相关分析(Sparsity Preserving Canonical Correlation Analysis,SPCCA)的特征提取算法.在典型相关分析(Canonical Correlation Analysis,CCA)的基础上,利用稀疏保持投影(Sparsity Preserving Projections,SPP)将样本之间的类别信息引入,从而提高识别率.首先,提取同一类训练样本的两组特征向量,由SPP构建稀疏重构权重矩阵;并建立相应的判据准则函数来描述两组特征向量之间的关系;然后根据所建立的准则函数提取出相应的典型投影矢量集;最后将两组特征通过不同的特征融合策略进行融合,并在分类识别中进行应用.典型相关分析算法将两组特征向量的相关性特征作为有效信息来用于分类,既能融合信息,又能过滤冗余信息.同时SPCCA算法中引入了两组特征的权重矩阵,在一定程度上提高了融合特征的鉴别力,提高了识别精度.在MFEAT、UCI手写体数字库及ORL、PIE人脸数据库上的实验结果证明了本文方法的有效性和稳定性.

有样本缺失的稀疏保持典型相关分析

在典型相关分析(CCA)的基础上,通过稀疏保持引入样本的类别信息,利用交叉相关项克服CCA及其推广算法要求不同视图样本必须成对出现的局限,提出一种有监督学习方法——有样本缺失的稀疏保持典型相关分析(SPCCAM).SPCCAM能在训练样本不成对的情况下进行多视图特征融合.在人工数据集、手写体数据集和PIE人脸数据集上的实验结果表明,SPCCAM能有效利用类信息提高分类性能.

基于多核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法

针对水下目标识别特征样本集高维小样本问题,提出了基于多核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法。该方法用多特征集典型相关分析算法对多域特征的整体相关程度进行定量分析,去除冗余和噪声特征,实现多域特征的融合,并利用多核稀疏保持投影算法,对提取的多域特征样本的稀疏重构性加以约束,增强了特征的判别能力。利用实测舰船辐射噪声数据验证基于核稀疏保持投影的多特征集典型相关分析的水下目标特征融合方法的有效性,与多特征集典型相关分析方法和核稀疏保持投影典型相关分析方法进行了对比,实验研究表明,提出的方法可以有效去除冗余和噪声特征,实现多域水下目标特征的融合,提高水下目标的识别正确率。

基于核稀疏保持投影的典型相关分析算法

模式识别的技术核心就是特征提取,而特征融合则是对特征提取方法的强力补充,对于提高特征的识别效率具有重要作用。本文基于稀疏表示方法,将稀疏表示方法用到高维度空间,并利用核方法在高维度空间进行稀疏表示,用其计算核稀疏表示系数,同时研究了核稀疏保持投影算法(Kernel sparsity preserve projection,KSPP)。将KSPP引入到典型相关分析算法(Canonical correlation analysis,CCA),研究了基于核稀疏保持投影的典型相关分析算法(Kernel sparsity preserve canonical correlation analysis,K-SPCCA)。在多特征手写体数据库和人脸图像数据库上分别证实了本文提出方法的可靠性和有效性。

一种基于指数降维的监督型稀疏保持典型相关分析算法

提出一种基于指数降维的监督型稀疏保持典型相关分析算法.通过将样本的类别信息与样本特征相融合,克服以往引入监督信息导致重建误差增大的缺陷,同时实现类内相关的最大化与类间相关的最小化;针对传统算法处理稀疏信号的高维小样本问题的瓶颈,改进算法对总体散布矩阵做指数化的处理,既保留有效信息,又将总体散布矩阵非奇异化,克服PCA预处理散布矩阵导致有效信息流失的缺陷.依据ORL,Yale,AR和FERET人脸数据库而进行的仿真实验表明,该算法比其他的典型相关分析方法具有更好的识别效果.

一种基于稀疏典型性相关分析的图像检索方法

图像语义检索的一个关键问题就是要找到图像底层特征与语义之间的关联,由于文本是表达语义的一种有效手段,因此提出通过研究文本与图像两种模态之间关系来构建反映两者间潜在语义关联的有效模型的思路.基于该模型,可使用自然语言形式(文本语句)来表达检索意图,最终检索到相关图像.该模型基于稀疏典型性相关分析(sparse canonical correlation analysis,简称sparse CCA),按照如下步骤训练得到:首先利用隐语义分析方法构造文本语义空间,然后以视觉词袋(bag of visual words)来表达文本所对应的图像,最后通过Sparse CCA算法找到一个语义相关空间,以实现文本语义与图像视觉单词间的映射.使用稀疏的相关性分析方法可以提高模型可解释性和保证检索结果稳定性.实验结果验证了Sparse CCA方法的有效性,同时也证实了所提出的图像语义检索方法的可行性.

高光谱图像与稀疏核典型相关分析冷鲜羊肉新鲜度无损检测

羊肉新鲜度受多种因素影响,通常由多个指标来综合评价,常规试验操作复杂不适合在线检测。高光谱成像数据能够反映羊肉新鲜度变化过程中多种成分的变化信息,但是光谱特征提取与评价模型的建立对最终结果影响较大。为了研究高光谱成像与多指标的快速检测羊肉新鲜度的可行性,提出一种稀疏核典型相关分析方法,借助实验室测定的多个标准值,研究多指标的羊肉新鲜度无损检测。采集了70个代表各级新鲜程度的羊肉样本400~1 000nm高光谱图像,采用实验室方法测定了挥发性盐基氮(TVB-N)和菌落总数(TAC)标准值,选择感兴趣区域(ROIs)提取代表性光谱图像,利用所提出的特征提取方法提取光谱特征信息,并按照3∶1划分校正集和预测集,利用三层神经网络进行分类识别试验。结果表明,新鲜度等级分类总体精度(OA)为0.939 3,Kappa系数为0.906 0,均方根误差(RMSEC)为0.297。研究表明,所提出的多指标光谱特征提取方法可用于快速无损检测羊肉新鲜程度,为采用高光谱成像综合多个新鲜度检测指标,改善由于单一检测指标造成评价模型的适用性和鲁棒性提供了基础。

一种新的有监督的局部保持典型相关分析算法

从模式识别的角度出发,在局部保持典型相关分析的基础上,提出一种有监督的局部保持典型相关分析算法(SALPCCA)。该方法在构造样本近邻图时将样本的类别信息考虑在内,由样本间的距离度量确定权重,建立样本间的多重权重相关,通过使同类内的成对样本及其近邻间的权重相关性最大,从而能够在利用样本的类别信息的同时,也能保持数据的局部结构信息。此外,为了能够更好地提取样本的非线性信息,将特征集映射到核特征空间,又提出一种核化的SALPCCA(KSALPCCA)算法。在ORL、Yale、AR等人脸数据库上的实验结果表明,该方法较其他的传统典型相关分析方法有着更好的识别效果。

典型相关分析的局部保持投影算法

针对传统子空间线性分析方法无法准确地描述样本具有的流形结构的问题,依据典型相关分析算法和局部保持投影算法的理论,将两种算法结合起来,提出了限制类别的典型相关分析的局部保持投影算法,该算法通过引入类信息,在区分了样本类信息的基础上,又保持样本类内的局部信息结构,而且还使两组样本间达到最大相关化以及各个特征投影之间具有不相关性,极大地提高了算法的识别率.该算法分别在YALE人脸库和AR人脸库上进行实验,识别率最高可达98%.

基于自适应权值稀疏典型相关分析的人脸表情识别算法

为解决当变量个数较多时,典型相关分析方法不能给出一个稳定模型的问题,提出了一种基于自适应权值的稀疏典型相关分析的人脸表情识别方法.稀疏典型相关分析通过附加一个系数收敛的约束,使基向量中的某些系数收敛为0,因此,就能去掉一些对表情识别没有用处的变量.同时,由于通常的稀疏典型相关分析求解中,稀疏权值的选择是固定值,会产生一些误差,故利用自适应权值的方法来降低在求解稀疏典型向量时产生的误差.在Jaffe和Cohn-Kanade人脸表情数据库上的实验结果,进一步验证了该方法的正确性和有效性.

基于自适应稀疏监督典型相关分析的特征选择

特征选择旨在识别高维数据最具信息性的特征,以实现高维数据的低维表示。稀疏监督典型相关分析模型利用样本的监督数据,通过提取具有最大相关性的稀疏典型向量实现特征选择。但是,为了求解方便,该模型一般把优化目标从典型变量的相关系数组合简化为协方差组合,此简化将导致较大的特征选择偏差。针对这一问题,提出一种新的基于自适应稀疏监督典型相关分析的特征选择模型。该模型引入一组自适应权重系数,有效解决了“两两协方差的不公平组合”问题,提高了模型的特征选择能力。实验结果验证了模型的有效性和特征选择的准确性。

基于局部保持典型相关分析的零样本动作识别

动作识别领域需要识别的类别越来越多,这使得标注足够多的训练数据越来越难.零样本学习是针对传统机器学习收集和标注数据日益困难而提出的一种新思路.针对基于零样本学习的动作识别问题,提出了一种基于局部保持典型相关分析映射的方法.该方法使用流形约束的典型相关分析将视觉特征和辅助特征映射到一个公共特征空间,并且在映射过程中保留视觉特征和辅助特征的局部信息,还考虑了域转换所带来的不利影响,同时采用自训练和hubness修正等方法增强所提方法的鲁棒性.通过在主流数据集HMDB51和UCF101上的大量实验,表明所提方法具有较好的零样本学习性能.

监督型局部保持的典型相关分析

利用数据集的局部结构信息和判别结构信息,构建相似度矩阵和类信息矩阵,提出监督型局部保持的典型相关分析(Supervised Locality Preserving Canonical Correlation Analysis,SLPCCA),该方法不但突破了典型相关分析(Canonical Correla-tion Analysis,CCA)处理数据时的线性约束,提高了处理非线性问题的能力,而且克服了局部保持的典型相关分析(LocalityPreserving Canonical Correlation Analysis,LPCCA)忽视类信息的问题,提取的特征更有利于分类.在多特征手写体数据库(MFD)和美国国家邮政局手写字库(USPS)上的实验结果验证了该算法的有效性.

基于稀疏差分和典型相关分析融合的人脸图像识别

为了进一步提高人脸图像的识别率,提出了一种相关分析融合的人脸图像识别算法。首先通过采用压缩测量数据得到人脸图像,然后通过划分子模式的方法去除图像中的小样本,提取局部特征,采用成分分析提取人脸图像的整体特征,通过算法对人脸图像特征进行融合,从而消除人脸部冗余信息,最后通过3个人脸数据集对算法进行测试。仿真实验表明,本文的算法相对于参比算法,提高了人脸图像识别精度,具有很好的鲁棒性。

改进的局部保持典型相关分析的无线传感器网络节点定位方法

利用接收信号强度(RSSI)进行无线传感器网络(WSN)定位是一类低成本定位方法。局部保持典型相关分析定位(LE-LPCCA)算法能通过节点间RSSI数据的相似度信息近似拟合WSN结构,取得了较高定位精度。但该算法只使用节点间相似性信息未保留信号空间和物理空间的相关性信息,且求解未知节点坐标时使用粗糙的质心法。针对以上问题,提出改进的局部保持典型相关分析定位(LE-ILPCCA)算法,该算法在样本训练阶段用平衡参数将数据的相似性和相关性信息进行融合,求取RSSI内在低维坐标表示的投影变换;在定位阶段,求解已知节点位置坐标和RSSI内在低维坐标之间存在的线性转换关系,获得未知节点的坐标。实验结果表明,本文算法与LE-LPCCA和LE-CCA相比定位精度高、稳定性强。

基于局部保持典型相关分析的无线传感器网络三维定位算法

针对目前无线传感器网络三维空间定位算法精度不高、稳定性差等问题,在基于局部保持典型相关分析LPCCA模型的基础上构造三维定位算法3D-LE-LPCCA。首先,将LPCCA模型拓展到三维空间并建立信号空间和物理空间的映射模型,通过求解映射模型得到未知节点在物理空间上的临近节点集;其次,采用共面度阈值和体积比阈值的约束在临近节点集上计算出最佳定位单元;最后,采用最佳定位单元计算未知节点的坐标。仿真实验表明,该算法具有良好的定位效果,有效地提高了三维定位算法的精度和稳定性,降低了节点能耗。

有样本缺失的稀疏交叉视图的多重集典型相关分析

从融合多组特征的角度出发,以多重集典型相关分析算法(MCCA)为研究基础,通过稀疏保持自适应选择样本局部信息,然后通过在同类样本之间计算权重矩阵,将样本类别信息嵌入到算法中,再利用多种视图之间的交叉相关项,克服不同视图样本必须成对出现的局限,提出一种有样本缺失的稀疏交叉视图的多重集典型相关分析算法(multiset canonical sparse cross-view correlation analysis with missing samples,CSMCCAM)。在手写体数据集和CENPARMI数据库上验证本文的算法,得到CSMCCAM算法分类精确度优于LPMCCAM等典型相关分析算法,并且对缺失样本数目不敏感。

基于组稀疏典型相关分析方法的影像遗传学方法在精神分裂症中的应用

目的采用影像遗传学研究方法探索精神分裂症患者的影像学数据与遗传学数据间的相关性。方法提出一种组稀疏典型相关分析方法,在稀疏典型相关分析模型的基础上增加组稀疏惩罚项λ1‖u‖G和λ2‖v‖G进行变量组选择;对于选择的特征组,再利用组内惩罚项τ1‖u‖1和τ2‖v‖1进行组内的变量选择。采用基于组稀疏典型相关分析方法的影像遗传学方法分析精神分裂症患者脑区与相关基因位点的相关性,并验证其稳定性和筛选生物标记物的能力。结果采用组稀疏典型相关分析方法获得了多组精神分裂症相关脑区和基因,其中左侧脑岛与基因AKT1的相关性最大,相关系数为0.653 8;右侧直回与基因DAOA和MAGI2的相关系数均大于0.6。组稀疏典型相关分析筛选出的特征的相关系数为0.626 9±0.016 1,稀疏典型相关系数为0.625 5±0.018 1。经过10次实验,在采用组稀疏典型相关分析方法筛选出的最相关的前20组特征中,属于已知的精神分裂症相关75个基因的比例大于随机选出的非相关基因的比例。结论通过组稀疏典型相关分析方法能够筛选出多组精神分裂症的相关基因和脑区,为今后对精神分裂症等复杂精神类疾病的研究提供了新的思路。

基于典型相关性分析的稀疏表示目标追踪

传统稀疏表示目标追踪算法首先通过粒子滤波方法对状态粒子进行采样,然后利用灰度特征表征采样粒子观测向量,最后构造基于观测向量的稀疏表示模型来进行目标追踪。与传统稀疏表示模型不同,该文提出一个基于典型相关性分析的稀疏表示模型,此模型首先使用两种特征来表征粒子观测向量,然后对两种观测向量的子空间投影结果进行稀疏建模。所构建的模型可通过在子空间中探究特征间的相关性来实现不同特征的互补融合,提升稀疏表示模型在复杂监控环境下的鲁棒性。