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。

使用自适应线性回归的多标签分类算法

针对多标签数据类别间的相关性与共现性,提出了一种使用自适应线性回归的多标签分类算法,将经典线性回归理论推广到多标签形式,结合多种评判标准对回归结果设置阈值,进而自适应地预测出最终标签.该方法同时考虑了符合数据期望的固定阈值与反映分类器综合效果的自适应阈值,因而降低了数据分布与噪声对分类的影响.实验结果表明,该方法可以有效地解决多标签分类问题.

基于线性回归和属性集成的分类算法

对于高维度小样本数据的分类问题,高维属性的复杂性限制了分类模型预测的准确率。为了进一步提高准确率,提出了基于线性回归和属性集成的分类算法。首先,采用线性回归为每一个属性构建属性线性分类器(Attribute Linear Classifier,ALC);其次,为了避免因ALC数量过多而导致准确率下降,利用经验风险最小化策略中的经验损失值作为评估标准来优选ALC;最后,应用多数投票法来集成被筛选的ALC。采用高维度小样本的基因表达数据集进行实验,结果显示该算法具有比逻辑回归、支持向量机和随机森林算法更高的准确率。

核分段逆回归集成线性判别分析用于质谱数据分类

针对高维小样本质谱数据在构造模型时易产生的过拟合现象、变量间的严重共线性、及结构与性质间的非线性关系,采用了核分段逆回归(KSIR)特征提取集成线性判别分析(LDA)新技术。首先以KSIR算法完成质谱数据的非线性特征提取,然后在由新特征矢量张成的低维空间构造样本类别的线性判别函数,负责各样本个体类别的判定。将KSIR-LDA方法应用于软饮料的质谱数据分类,结果表明:该方法不仅适应质谱数据与性质间的非线性关系,而且可以更少、解释能力更强的特征变量取得更高的分类精度,并能实现在低维特征空间对数据的解释及可视化。

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。

基于一类分类的非线性回归算法

一类支持向量机是只有正类样本的一类分类算法,该算法已经在孤立点检测、经济预警中有了广泛的应用。根据一类分类方法,本文提出一种非线性回归算法,该算法揭示了一类分类、二类分类以及回归之间的关系。该方法首先对训练数据的响应变量向上和向下移动ε,进而获得两个样本集合;然后应用核映射方法在高维特征空间中分别求包含两个集合的最小超球体中心;最后,通过求平分两个中心的间隔最大超平面获得回归函数。两个仿真实验结果验证了所给算法的有效性和可行性。

基于线性解码和深度回归预测的图像分类算法

针对图像分类研究中的分类器输入范围限制和缩放问题,提出一种基于线性特征解码和深度回归模型图像分类算法。首先,通过线性解码器学习低分辨率图像的特征参数;然后,运用学习到的特征对原始高分辨率图像进行卷积和池化操作,得到特征矩阵;再通过Softmax回归模型对图像进行深度学习和分类;最后用距离度量算法得到图像分类结果。实验结果从多方面对比和验证了该方法在分类效率方面超越了传统的误差反向传播算法BP和K最近邻分类算法KNN。

基于谱域特征提取与线性回归分类的智能人脸识别算法

针对人脸识别中由于光线、表情变化和遮挡导致人脸图像变化的问题,提出了一种谱域特征提取与线性回归分类算法相结合的智能人脸识别方法。为了实现特征提取的目的,首先使用Viola-Jones算法从原始图像中提取初始人脸部分,并将其转换为120×120像素大小的灰度图像;然后提出了一种计算极坐标傅里叶变换(FFT)以获得预处理人脸图像主要幅度谱特征的新框架,进一步在预处理的图像上执行2D-DFT,并表示为1DP-FFT。特征值是1DP-FFT幅值中的最大值,提取的特征值用于构造表示人脸图像的符号对象。最后利用快速有效的线性回归分类算法实现分类。在AR和GT数据库上进行了各种实验,分别取得了97.51%和98.02%的准确率,与最近报道的一些人脸识别技术相比,提出的方法识别准确率更高。

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。

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.

恒牙列初期安氏Ⅱ类1分类错唇形面部硬组织相关因素的多元线性回归分析

目的:研究不同生长型恒牙列初期安氏Ⅱ类1分类错患者唇形的面部硬组织影响因素。方法:选取144例恒牙列初期安氏Ⅱ类1分类错患者头颅侧位片,测量唇部矢状向位置及伸展度,并与其可能相关的面部硬组织相关因素进行多元线性回归分析。结果:①各生长型上唇矢状向位置及伸展度均与上颌硬组织相关。②水平生长型组下唇矢状向位置及伸展度与上下颌硬组织均相关。③平均生长型组及垂直生长型组下唇矢状向位置及伸展度与下颌硬组织相关。结论:影响不同生长型的安氏Ⅱ类1分类错的唇矢状向位置及伸展度的面部硬组织影响因素存在差异。

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。

利用分类树辅助Logistic回归建模

利用分类树辅助Logistic回归建模的思路已得到不少研究者的认可,并在不同的应用场景下进行了尝试。但在实践的应用中,关于分类树算法的选择,以及如何联合两种方法筛选变量构建模型,缺乏必要的论证。利用分类树辅助Logistic回归建模型的本质是打破线性回归方程对数据结构的限制,通过引入数值型变量的离散化,以及增加交互项,将非线性关系引入回归方程。本文通过剖析分类树和Logistic回归两种建模技术在原理、方法和应用中的异同点,提出利用分类树辅助Logistic回归建模时的算法选择,以及应用中的具体方法和步骤。文章利用2002年3206名美国老年人是否购买私人医疗保险的数据进行了实操演示。论文发现利用分类树辅助Logistic回归建模,通过引入交互项,提升了Logistic回归模型对数据的表达和拟合能力。但同时也应该看到,非线性的引入降低了模型的简洁性和泛化能力,由于回归模型中待估参数个数的增加,在样本量有限的情况下,参数估计的稳健性也会受到影响。

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。

基于数据包字节长度的线性自回归(Autoregression)和支持向量分类机(SVM)的网络流量预测建模与分析

本文提供了两种网络流量入侵检测的方法和它们的结果对比。这两种方法分别为线性的自回归预测以及非线性的 支持向量机预测。本文将给出使用这两种方法在预测网络攻击的夺效性的详细分析。实验证明用支持向量机模型确实改进了对 于攻击的识别性能，并且其误警率比 AR 模型低了很多。此外，与 SVM 相比较，AR 预测模型的计算复杂度要低。

基于非线性降维多项式逻辑斯蒂回归的图像/非图像数据的分类与识别(英文)

在面向大规模复杂数据的模式分类和识别问题中,绝大多数的分类器都遇到了维数灾难这一棘手的问题.在进行高维数据分类之前,基于监督流形学习的非线性降维方法可提供一种有效的解决方法.利用多项式逻辑斯蒂回归方法进行分类预测,并结合基于非线性降维的非监督流形学习方法解决图像以及非图像数据的分类问题,因而形成了一种新的分类识别方法.大量的实验测试和比较分析验证了本文所提方法的优越性.

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。

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。

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。