稳健稀疏线性判别分析方法在人脸识别中的应用

线性判别分析(LDA)是一种在机器学习领域众所周知的监督分类方法,在特征提取方面效果显著。传统的LDA解决了散度矩阵中存在奇异矩阵的问题,但却没有考虑人脸图像中可能存在的椒盐噪声,且无法确定低维空间维数。为此,采用稳健稀疏线性判别分析(Robust Sparse Linear Discriminant Analysis,RSLDA)进行人脸识别,选取公开的人脸库(ORL、CMU_PIE、Yale B)对LDA、PCA+LDA、ULDA、OLDA、L21FLDA和RSLDA这6种方法进行系统地比较。实验结果表明,在原始人脸图像中,RSLDA的识别率均在94.82%以上,均高于其他5种方法。当人脸图像存在椒盐噪声时,RSLDA的识别率远高于其他方法。

一种适合于分布式并行计算的改善ICGS方法

通过考察Yang等提出的ICGS(Improved Conjugate Gradient Squared)方法的推导过程,对ICGS方法进行了改善.改善后的ICGS方法相对于ICGS方法,减少了一个内积的计算,这样做不仅保证了改善后的方法与原方法具有相同的数值稳定性,同时又使得并行效率得到了很好的改善,并行数值试验结果表明:所用处理机台数越多,改善越明显.

融合评分上下文和物品相似度的推荐算法

推荐系统中用户的评分往往会受到评分上下文的影响,即用户先前对一些物品的评分会影响其对当前物品评分的客观性。稀疏线性方法在计算物品相似度时将受到上下文影响的用户评分与其他评分同等看待,然而该部分评分并不能客观地反映出物品之间的相似度。针对以上问题,在稀疏线性方法的基础上提出了融合评分上下文和物品相似度的推荐算法,算法分为三个阶段:第一个阶段使用加权评分计算物品最近邻进行特征选择;第二个阶段利用评分误差权重减少算法模型对受到上下文影响的评分的拟合,训练得出物品相似度矩阵;第三个阶段根据用户评分和物品相似度进行评分预测以完成物品推荐。在MovieLens的四个数据集上进行实验,采用平均准确率(MAP)、平均倒数排名(MRR)和归一化折损累计增益(NDCG)指标来评估算法效果。实验结果表明,融合评分上下文将进一步提高物品相似度的准确性,从而提高推荐的性能。