基于一种改进的类内散布矩阵的核鉴别分析法

基于核的非线性判别方法及算法的研究近年来得到广泛的研究。在这些方法中,一个主要的缺点是对L类判别问题,判别向量最多只有L-1个。定义一种改进的核类间散布矩阵,并对两类问题给出改进的核鉴别分析法,该方法克服了以上缺陷。试验结果表明所提出的方法与其他方法相比具有很好的识别性能。

基于AMD度量和类间模块2DPCA的人脸识别算法

文章提出了一种基于集成矩阵距离(AMD)和类间散布矩阵构造的模块2DPCA人脸识别方法。针对原模块2DPCA算法的不足,使用类间散布矩阵代替总体散布矩阵,求得最佳特征向量并对图像进行特征提取;采用集成矩阵距离的度量方式计算特征图像的相似度,实现人脸分类。在ORL人脸库上的实验结果表明,同2DPCA和普通模块2DPCA相比,文中提出的方法能够取得更好的识别效果。

基于FRFT-KPCA的模拟电路非线性故障特征提取

针对模拟电路受非线性及元件容差影响而导致响应信号在时域和频域都出现耦合,造成故障特征提取困难的问题,结合分数阶傅里叶变换和核主成分分析理论提出一种非线性故障特征提取方法。利用分数阶傅里叶变换对耦合信号进行预处理,采用粒子群优化算法寻找最优分数阶p,实现耦合信号在分数阶域最大程度的分离。采用核主成分分析对非线性特征进行维数压缩,实现故障特征提取。实验结果表明,在时域或频域相互耦合的信号经分数阶傅里叶变换后,在分数阶域上耦合程度明显减弱,核主成分分析能够有效处理信号中的非线性信息,特征提取效果要优于其他线性特征提取方法。经过分数阶傅里叶变换和核主成分分析相结合的方法所提取的故障特征使故障模式具有更好的可分性。

基于向量组的Fisher线性鉴别分析方法

提出了一种基于向量组的Fisher线性鉴别分析方法。该方法先将原始的高维向量分割为低维的子向量组,再对向量组运用Fisher线性鉴别分析。这种处理方法,不但能够解决任意高维下的小样本问题,而且通过选择恰当的子向量维数,可以从向量中抽取出最有效的特征值。此外,基于向量组的Fisher线性鉴别分析是Fisher线性鉴别分析和二维Fisher线性鉴别分析的进一步推广。

不相关局部保持鉴别分析算法

针对人脸识别中的特征提取问题,提出了一种新的不相关局部保持鉴别分析算法.根据局部保持投影方法的特点和类内样本之间的空间结构信息,重新定义类内散布矩阵与类间散布矩阵,结合不相关条件,推导出一个新的目标函数.在此基础上,通过理论分析给出了求解不相关局部保持鉴别矢量集的计算公式.人脸库上的实验结果表明,新算法优于传统的局部保持投影方法和其他改进的局部保持投影方法.

基于K-L变换的人脸识别技术的探讨

人脸识别因其在安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互、系统公安(罪犯识别等)等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。本文提出了基于Karhunen-Loeve(K-L)变换的人脸识别方法,分别使用总体散布矩阵和类间散布矩阵进行了仿真。实验结果显示基于K-L变换的人脸识别达到了较高的识别正确率。

基于局部离散度的监督型线性判别分析及其应用

鉴于线性判别分析(Linear Discriminant Analysis,LDA)算法存在的弊端,本文提出了一种基于局部离散度的监督型线性判别分析(Supervised Linear Discriminant Analysis based on Local Dispersion,SLDALD)算法.新方法的改进主要有:1)从像元邻域的角度出发,对类内散布矩阵、类间散布矩阵进行重新定义,得到类内邻域散布矩阵和类间邻域散布矩阵.新定义充分考虑了不同区域之间像元光谱特征离散度的差异性;2)在计算类间邻域散布矩阵时,赋予类边界像元较大的权重,让特征降维更针对此类像元;3)在计算类内邻域散布矩阵时,加大类边界像元的权重,让后续的特征降维针对此类像元.同时,降低噪声点的权重,以抑制噪声点对特征降维的干扰.实验结果表明:相比依据LDA算法所获得的低维特征的分类结果,以SLDALD算法所获得的低维特征为依据,影像分类精度得到明显地提高.