基于PCA和IGG权函数的人脸图像鲁棒线性回归分类方法

在人脸识别中,线性回归分类是一种快速且有效的方法。然而,线性回归分类是基于图像向量进行识别,导致原始矩阵图像往往为高维数据,且人脸图像经常受到污染。为此,提出一种基于PCA和IGG权函数的鲁棒线性回归分类方法。首先通过PCA对人脸图像进行降维,再采用IGG权函数对被污染的人脸图像进行分类。选用公开的ORL和Yale人脸库,将线性回归分类、基于IGG权函数的鲁棒线性回归分类和基于PCA和IGG权函数的鲁棒线性回归分类进行比较。实验结果表明,在ORL和Yale人脸库中,在不加噪声和加入椒盐噪声和斑点噪声条件下,所提出方法的识别率均值都在92.07%以上,均高于另外两种方法。

面向局部线性回归分类器的判别分析方法

局部线性回归分类器(locality-regularized linear regression classification,LLRC)在人脸识别上表现出了高识别率以及高效性的特点,然而原始特征空间并不能保证LLRC的效率。为了提高LLRC的性能,提出了一种与LLRC相联系的新的降维方法,即面向局部线性回归分类器的判别分析方法(locality-regularized linear regressionclassification based discriminant analysis,LLRC-DA)。LLRC-DA根据LLRC的决策准则设计目标函数,通过最大化类间局部重构误差并最小化类内局部重构误差来寻找最优的特征子空间。此外,LLRC-DA通过对投影矩阵添加正交约束来消除冗余信息。为了有效地求解投影矩阵,利用优化变量之间的关系,提出了一种新的迹比优化算法。因此LLRC-DA非常适用于LLRC。在FERET和ORL人脸库上进行了实验,实验结果表明LLRCDA比现有方法更具有优越性。

线性回归分类器在模式识别中的应用

线性回归分类器(LRC)在人脸识别上呈现出了优越的性能,然而,随着每类的训练样本数量增大,LRC的分类速度变得很慢.除此之外,LRC还有一致命的弱点:对大样本问题束手无策,即当每类用于训练的样本数量大于样本的维数时,LRC无法工作.解决以上问题的一个行而有效办法是对LRC作局部化处理.可以对LRC作了两类局部拓展:一是基于K最近邻的线性回归分类器(KNN-LRC).KNN-LRC借助KNN算法对每类训练的样本作了筛选,从而避免了大样本问题的出现,但却受到近邻参数选择的困扰.二是在此基础上进一步提出了基于L1范数的自适应局部线性回归分类器(LI-LRC).L1-LRC具有自适应的近邻选择机制,同时能取得比KNN-LRC更好的分类性能.在两个数据库上,比较各种相关分类器的性能.从分类的结果来看,KNN-LRC和L1-LRC较其它相关分类器的性能好.

高分辨率遥感图像场景线性回归分类

线性回归分类是图像识别领域中一种简单而有效的分类方法,目前通常采用最小二乘方法对分类模型进行参数估计。然而,同一场景中不同的遥感图像相对应位置的灰度值不完全相同,而且遥感图像还可能包含椒盐噪声和高斯噪声,这些均会造成遥感图像场景分类精度的降低。为了解决这一问题,笔者提出采用稳健加权总体最小二乘方法对线性回归分类模型的参数进行估计。采用两组高分辨率遥感图像场景数据进行实验,将该方法与最小二乘方法、稳健最小二乘方法和加权总体最小二乘方法进行比较评估。实验结果表明,稳健加权总体最小二乘方法能够同时考虑观测向量和系数矩阵的误差,能够有效减少椒盐噪声和较大高斯噪声的影响,从而获得更高的总体分类精度。

单样本人脸识别线性回归分类

对线性回归分类器在单样本人脸识别中的应用进行研究,提出使用稀疏表示结合线性回归分类的方法对单样本人脸进行识别,并对该方法进行分析和评论。计算单个训练样本在辅助样本集上的稀疏表示,选出和训练样本近邻的几个人脸,计算这些样本的类内变化,将它们和训练样本一起构成人脸模型,使用线性回归分类器进行分类。在AR和FERET人脸库上的实验验证了该方法的有效性。

基于Fisher准则改进线性判别回归分类的人脸识别

为了提高线性回归分类LRC(Linear Regression Classification)算法的鲁棒性,提出一种基于Fisher准则改进的线性判别回归分类算法。首先根据Fisher准则最大化类间重建误差与类内重建误差的比值,为LRC找到最优投影矩阵;然后利用最优投影矩阵将训练图像及测试图像投影到各个类的特征子空间;最后,计算出测试图像与各个训练图像之间的欧氏距离,并利用K-近邻分类器完成人脸的识别。在FERET和AR人脸数据库上的实验验证了本文算法的有效性。实验结果表明,相比其他回归分类算法,该算法取得了更好的识别效果。

改进的线性判别回归分类人脸识别算法

对线性回归分类算法进行了改进。考虑了线性回归分类算法中没有考虑的类间信息,通过选择类模式的投影方向判别不同类的模式,不同类的模式互相远离,相同类的模式尽可能靠近来估计投影矩阵;再利用投影矩阵将训练图像及测试图像投影到各类的特征子空间;最后,计算出测试图像与训练图像间的距离,利用K-近邻分类器完成人脸的识别。在FERET人脸数据库上进行实验验证。实验结果表明,相比其他回归分类算法,本算法取得了更好的识别效果。

基于Fisher的线性判别回归分类算法

为了提高线性回归分类(LRC)算法的鲁棒性,提出了一种基于Fisher准则的线性判别回归分类算法。利用Fisher准则将类间与类内重建误差的比值最大化,找到线性回归分类的最优投影矩阵;再将训练图像及测试图像投影到各类的特征子空间;求得各训练图像与测试图像间的欧氏距离,最后用K-近邻分类器完成人脸识别。在AR人脸数据库上的实验结果表明,相比其他回归分类算法,算法取得了更好的识别效果。

基于类邻域字典的线性回归文本分类

文本表示的高维性会增加文本分类时的计算复杂度。针对该问题,构建基于类邻域字典的线性回归分类模型。采用K近邻方法构造各类别的类邻域字典,根据对测试样本的不同表示,分别提出基于级联类邻域字典和基于类邻域字典的线性回归分类算法。此外,为缓解噪声数据对分类性能的影响,通过度量测试样本与各个类别之间的相关度裁剪噪声类数据。实验结果表明,该模型对长文本和短文本均能够得到较高的分类精度和计算效率,同时,噪声类裁剪策略使其对包含较多类别数的文本语料也具有较好的分类性能。

基于高光谱影像分类线性回归的古画污渍虚拟恢复

污渍是古画中最常见病害之一,识别并虚拟修复古画污渍是对古画进行科学修复的关键。本文提出了一种基于高光谱影像分类线性回归的虚拟修复方法。首先,利用人工神经网络对受污渍影响较小的波段进行分类,获取油渍区域被遮挡的信息,然后通过建立分类线性回归方程,利用受油渍影响较小的波段去校正受油渍影响较大的真彩色显示波段,在尽量地保持了古画原有的色彩基础上,有效地提取了被油渍遮挡的隐含信息,并一定程度地恢复了画作原貌。

线性回归分析在人脸识别中的应用研究

线性回归分类(LRC)算法中,借助一个依赖线性子空间的单一对象类模型,开发了一个线性模型,作为特定类库的线性组合来描述探针图像,并且借助于最小二乘法及其为了支持具有最小重构误差的类而制定的决策,解决了逆问题,但是并不能解决连续闭塞问题。基于此,提出了一种新颖的基于近邻子空间分类的识别方法,模块化线性回归分类(MLRC)算法。将LRC算法进行模块化,并且引入了一种基于距离的本征融合(DEF)算法用于决策。在FERET及ORL上的实验表明,与其它几种常用的方法相比较,MLRC算法在处理人脸识别问题上取得了更好的结果。

最小化TPE一元回归分类在人脸识别中的应用

针对人脸识别中现有回归分类方法不能很好地考虑总类内投影误差的问题,提出了一种基于最小化总投影误差(TPE)的一元回归分类方法。通过各个类投影矩阵计算所有训练数据的类内投影误差矩阵,并且借助特征分解找到一元旋转矩阵;利用一元旋转矩阵将每个训练图像向量转换为新的向量空间,并计算出每个类的特定投影矩阵;根据一元旋转子空间中各个类的最小投影误差来完成人脸的识别。在两大通用人脸数据库FEI和FERET上的实验验证了所提方法的有效性及鲁棒性,实验结果表明,相比其他几种先进的回归分类方法,所提方法取得了更好的识别效果。

分类回归和Logistic回归在云南省高血压流行病学抽样调查数据分析中的应用

应用分类线性回归和Ｌｏｇｉｓｔｉｃ回归方法，对云南省１９９１年高血压抽样调查数据进行了分析，得出高血压患病率与年龄、职业、体重指数、腹臀比值、城乡密切相关，与吸烟。

线性分类器与神经网络在数据处理方面的应用

在机器学习诞生之时起,线性回归分类器便体现出优越的性能,然而,随着时代的进步,每类训练样本数量增大,线性分类器的速度变得很慢,也凸显了线性分类的一个致命弱点:对大样本数据束手无策。即当用于训练的样本数量大于样本的维数时,线性分类器会无法工作。解决的办法之一是对分类器作局部化处理从而对数据进行筛选,避免大样本数据问题的出现。然而,随着神经网络的兴起,对于大样本数据的处理,也有了更多的新兴的处理办法。

最小化总投影误差优化一元回归分类的人脸识别

针对现有回归分类算法不能很好地考虑总类内投影误差而影响人脸识别鲁棒性的问题,提出最小化总投影误差(TPE)的一元回归分类算法。首先通过各个类投影矩阵计算所有训练数据的类内投影误差矩阵,并且借助特征分解找到一元旋转矩阵;然后利用一元旋转矩阵将每个训练图像向量转换为新的向量空间,并计算出每个类的特定投影矩阵;最后,根据一元旋转子空间中各个类的最小投影误差来完成人脸的识别。在人脸数据库ORL、FERET、扩展YaleB及一个户外人脸数据库上的实验验证了该算法的有效性及鲁棒性。实验结果表明,相比于其他几种先进的回归分类算法,该算法取得了更好的识别性能。

浅析数据挖掘的分类与预测

数据挖掘技术是信息时代的宠儿,而分类和预测是数据分析的两种基本形式,能预测未知数据的趋势。本文主要介绍了何为数据的分类和预测,并且通过判定树归纳细化了数据分类的划分步骤;通过介绍线性回归、多元回归以及非线性回归等预测方法加深了对数据预测的认识;并介绍了分类法准确率评估方法以及分类和预测的异同点。

基于机器学习方法的测井岩相分类研究

目前,在基于测井数据的岩相分类研究中,机器学习算法是一个研究热点.然而,实际上钻井取心极少,岩相样本匮乏,机器学习算法就会遇到过拟合问题,从而导致测井岩相分类效果不佳.因此,本文研究小样本环境下不同机器学习算法在测井岩相分类工作中的预测效果.以北美Panoma油气田数据集为例,通过逐步减少训练样本数量,建立了四种训练模式.同时,选用三类有代表性的有监督学习算法,以评估小样本环境下不同算法的预测效果,包括基于一般梯度下降的线性回归分类算法、支持向量机算法和一维卷积神经网络算法.在综合评价算法的预测效果时,选用了岩相分类准确率、总体岩相分类F1值、各岩相分类F1值以及有效识别最大相数.结果表明,随着训练样本数量的减少,三种算法的预测效果并未呈现线性下降趋势,且一维卷积神经网络较另外两种算法表现更为稳健.

分类线性回归的Landsat影像去云方法

首先,对参考影像和待去云影像上的云覆盖区域进行检测和掩膜;然后,对掩膜后的参考影像进行ISODATA聚类,并建立各个类别参考影像到待去云影像灰度值的线性回归方程;再对待去云影像上的云覆盖区域,依据参考影像上的灰度值进行最小距离方法分类,划分到聚类形成的各个类别之中;最后,依据各个类别回归方程进行灰度值预测。实验结果表明,所提方法能够进行云区的检测和去除,预测精度相比传统方法有较大提高。

基于镜像图的LRC和CRC偏差结合的人脸识别

为了提高人脸识别率及更好地显示人脸特征,本文提出了一种基于镜像图的LRC和CRC偏差结合的人脸识别方法.该方法首先生成一种镜像人脸,再通过融合原始人脸和镜像人脸形成新的混合训练样本,最后利用LRC和CRC偏差结合进行人脸识别.新方法增加了训练样本的数目,克服了由于光照和姿态等外部因素带来的影响.实验结果表明,镜像图与LRC和CRC偏差结合的人脸识别方法提高了人脸识别的准确性.

基于LTS优化图像切边LRC的面部遮挡人脸识别研究

针对现实人脸识别中由于伪装(如围巾、太阳镜和头发)或其他物体引起的面部遮挡而严重影响识别率的问题,提出了一种基于最小截平方和的图像切边线性回归分类算法。首先,使用一个鲁棒性强的估计量检测并裁剪查询样本、训练样本中受污染的像素点;然后,利用线性回归分类算法对图像进行切边;最后,利用LTS计算出规范化的重构误差,并根据重构误差最小的类完成人脸的识别。在通用人脸数据库AR、扩展的YaleB数据库以及一个户外人脸库上的实验验证了所提算法的有效性及可靠性,实验结果表明,相比其他几种回归分类算法,取得了更高的识别率,同时大大降低了训练总完成时间。