优化线性辨别分析在人脸识别中的应用(英文)

国内外学者研究发现,类间方差最大化的方向与类内方差最大化的方向之间的角度对传统的线性辨别分析方法的准确性影响显著,并且,当这两个方向平行的时候,传统的线性方法往往不能得到很好的结果。经过的研究和实验,发现传统线性方法的准确性与类间方差和类内方差之间的角度没有直接的决定关系,它的最大问题在于线性地对类间方差和类内方差的加和不能完全保留类别之间的辨别信息。提出了一种优化的线性辨别分析的方法(OLDA)来解决这个问题。首先,引入了辨别能量的概念,能够给任意两个类之间的辨别信息赋予同样的权重;其次,引入了一种梯度下降的算法来计算最终的判别向量,并且加速迭代算子的引入能够更加有效地解决运算复杂度的问题。最后,为了解决非线性问题,预先的聚类算法能够将非线性问题转化成为线性问题,从而使数据集能够被有效地分辨出来。采用了一个人脸数据集和一个虚拟数据集进行了实现,实验结果表明提出的优化辨别分析的方法能够有效地解决数据集的分类问题。

基于改进线性辨别分析的信用评分方法研究

针对线性辨别分析(linear discriminant analysis,LDA)在处理信用评分问题中存在着准确率不高的缺陷,对原有的LDA方法进行了改进,新增了错分距离标量和正分距离标量,并在此基础上构建了多目标信用评分模型,该模型以错分距离之和最小和正分距离之和最大为优化目标;然后提出了对应的基于子代择优的协同进化多目标微粒群算法;最后应用现实世界中的数据集,将该方法与逻辑回归、神经网络、序列最小优化和决策树等分类算法进行了对比,实验结果表明该方法具有分类准确率高、易于理解和实现的特点。

基于QR分解的辨别分析用于雷达目标一维距离像识别

文中提出了基于QR分解的线性辨别分析与非线性核辨别分析方法,并将其用于雷达目标一维距离像识别。与传统Fisher辨别分析方法相比,新方法运用QR分解取代奇异值分解或伪逆方式以实现样本类间与类内散度矩阵的对角化,不仅有效地降低了算法的计算时间与空间复杂度,提高了系统的实时性能,同时也保证了较高的识别率。对三类不同实测飞机数据的识别结果表明了所提方法的有效性。

数据降维与K-均值聚类的质量评估

聚类分析在大数据时代应用广泛,但缺乏直观评价聚类质量的有效方法。为此,提出一种具有数据降维和搜寻数据固有聚类数量的处理模式。在数据散射矩阵基础上构造一个增广矩阵,利用线性辨别分析将高维数据变换到最具辨别性的低维特征子空间以实现数据降维。为解决分区聚类算法的随机初始化问题,提出最小-最大规则,避免出现空聚类并确保数据的可分性。对于聚类的结果,计算每个聚类的轮廓系数,通过比较轮廓的尺寸以评价不同聚类数量情况下的聚类质量。对K-均值算法的仿真结果说明,这种处理模式不仅能够可视化确定未知数据所固有的聚类数量,而且能为高维数据提供有效的分析方法。

核不相关最优辨别矢量集与飞机目标识别

线性不相关辨别分析具有提取目标统计不相关辨别特征的优点,但受限于其线性本质,使它无法获取目标的非线性特征。针对此问题,本文结合核机器学习理论提出了核非线性不相关辨别分析算法。首先引入一非线性映射,将原始输入空间映射到一个具有线性特性的高维特征空间,然后利用瞬时对角化协方差矩阵的方法提取核不相关最优辨别矢量集。对三类不同飞机实测回波数据的仿真结果表明了所提方法的有效性。

红外图像人脸识别方法

红外成像具有抗干扰性强、独立于可见光源、防伪装、防欺诈等优点,这使得红外图像人脸识别可在很大程度上弥补可见光人脸识别技术的缺陷和不足,是今后人脸识别研究的一个重要方向。在深入分析红外人脸图像特性的基础上,研究了红外图像人脸识别的特点,并提出了一种新的红外图像统计人脸识别方法。实验结果表明,这种识别方法不论从理论上还是从实验上都是可行的,具有良好的识别能力。

一种状态监测与健康评估方法及其在模拟电路中的应用

针对模拟电路的健康性能退化状况,提出一种特征选择与降维提取法(B&B+LDA)和隐马尔可夫模型(HMM)相结合、以KL距离为衡量标准的状态监测和健康评估方法.首先设置元件的参数提取幅频特征;其次针对特征存在的冗余性及高维性,采用B&B+LDA对原始特征进行提取,从而获得有效的特征集;再根据获得的特征监测出早期故障类型;最后利用正常态下的特征来训练HMM,并用其计算各状态对应的KL距离,得出故障程度,即实现电路健康退化的评估.将该方法应用于某模拟电路中,通过实验验证了其具有良好的模拟电路早期故障监测性能,与B&B,LDA,PCA及原始特征相比具有最好的状态监测与健康评估能力.

基于HMM的模拟电路故障诊断方法

针对电子系统,尤其是模拟电路的早期故障诊断是重要却又困难的问题,提出一种基于隐马尔可夫模型(HMM)的模拟电路早期故障诊断方法.首先提取出模拟电路的电压特征;然后用改进的线性辨别分析法(LDA)对电压特征进行降维并消除其冗余,采取一些改进措施来消除LDA的不足;最后将改进LDA提取的特征构成多个观测序列并用于训练和测试HMM,以实现模拟电路的早期故障诊断.将该方法与其他方法进行比较的实验结果表明,其具有良好的故障识别能力.

基于ICA和FLD相结合的人脸识别

ICA作为一种传统的人脸识别方法,虽然识别效果较好,但却没有考虑类别信息。为了将类别信息融入ICA方法中,尝试利用FLD和ICA相结合的方法对人脸进行识别处理,即在使用ICA方法获得训练模式的统计独立基向量的基础上,对基向量张成的子空间使用FLD方法。利用几个人脸数据库对该方法进行了实验。实验结果表明,使用上述方法进行人脸识别,其效果优于传统的PCA方法、FLD方法和ICA方法。

基于小波域PCA与LDA相结合的红外人脸识别方法

提出了一种新的小波域主元分析与线性辨别分析相结合的红外人脸识别方法。首先通过DWT将红外人脸图像通过二级小波分解成七个子带,舍去两次分解中的对角子带,对剩下的五个子带进行有效的组合;然后用PCA方法对组合后的向量进行特征提取,再把PCA提取的特征向量进行线性辨别分析;最后用欧氏距离和三近邻分类器得到分类结果。同传统的PCA和PCA+LDA的方法相比,该方法更能利用人脸图像的有用判别信息,并得到更好的识别效果。

基于改进HMM的模拟电路早期故障识别和诊断

针对模拟电路运行过程中存在的不确定性,对传统的隐马尔可夫模型(HMM)进行了改进,将模型中满足不变性的状态转移概率矩阵改为时变状态转移概率矩阵,使之更符合实际情况。在状态初期为了防止状态转移概率发生过度更新,设置了更新概率控制因子。采用线性辨别分析(LDA)方法对测量信号进行特征提取,用于HMM的训练和测试,从而实现模拟电路早期故障的识别和诊断。仿真结果表明,改进后的HMM具有更强的故障识别和诊断能力。

室内平面图分块矢量化与高效三维建筑建模

针对建筑平面图的栅格图像,提出了一种全自动生成三维建筑模型的轻量计算方法。应用平均积分投影函数(integral projection function,IPF)方法对光栅图像进行区域分块,有效地抽取包含墙体对象的子区域。改进了基于非细化的稀疏点像素矢量化(sparse pixel vectorization,SPV)方法,用于抽取墙体的位置和尺寸等信息。为识别出墙体上的门窗和孔洞等建筑部件,将问题转化为图像多分类问题进行求解,同时设计了高效计算方案,精确地定位建筑部件在图纸中的位置。基于识别结果,进行三维建筑模型的快速生成,并集成于笔者所开发的三维建筑快速建模原型系统,方便了三维数据的加工和处理。通过大量实例,验证了所述方法的性能和效率。该方法可用于数字城市、虚拟现实内容创作和公共安全等领域。

基于遗传优化HMM的模拟电路早期故障识别和诊断

针对Baum-Welch(B-W)算法易陷入局部最优解的问题,采用多智能体遗传算法对隐马尔可夫模型(HMM)进行参数优化估计,设计了染色体编码结构和遗传操作方式。为了使HMM更适合于模拟电路的故障识别和诊断,将状态转移概率矩阵改为时变矩阵,利用监测数据,通过多智能体遗传算法实现状态转移概率的更新。将改进后的HMM用于模拟电路早期故障的识别和诊断中,并采用线性判别分析(LDA)方法对测量信号进行特征提取。仿真结果表明,改进后的HMM具有更强的故障识别和诊断能力。

基于正交分量辨别分析的人脸识别方法

线性辨别分析(LDA)特征空间的坐标轴是非正交的,并且基于LDA的分类器的性能容易受训练集变化的影响。Okada提出了一种优化正交系统,但运算量大,且增加了特征空间坐标轴的数目,影响分类器速度。本文提出一种新的正交分量辨别分析(OCDA),没有增加坐标轴的数目,并且稳定性和识别率都优于LDA。

一种半监督判别邻域嵌入算法

邻域保持嵌入(Neighborhood Preserving Embedding,NPE),作为局部线性嵌入(Locally Linear Embedding,LLE)的线性化版本,由于在映射前后保持了数据的局部几何结构并得到了原始数据的子空间描述,在模式识别领域具有较强的应用价值。但作为非监督处理算法,在具体的模式分类中有一定局限性,提出一种NPE的改进算法——半监督判别邻域嵌入(SSDNE)算法,引入标记后样本点的类别信息,并在正则项中引入样本的流形结构,最大化标记样本点的类间信息和类内信息。既增加了算法的辨别能力又减少了监督算法中对样本点进行全标记的工作量。在ORL和YaleB人脸库上的实验结果表明,改进的算法较PCA、LDA、LPP以及原保持近邻判别嵌入算法的识别性能有了较明显的改善。

一种正交分量辨别分析用于人脸识别的方法

线性辨别分析（LDA）特征空间的坐标轴是非正交的，并且基于LDA的分类器的性能容易受训练集变化的影响。Okada提出了一种优化正交系统，但运算量大，且增加了特征空间坐标轴的数目，影响分类器速度。本文提出一种新的正交分量辨别分析（OCDA），没有增加坐标轴的数目，并且稳定性和识别率都优于LDA。

基于NMFs-LDA的雷达目标距离像识别

基于NMFs(非负矩阵稀疏分解)和LDA(线性辨别分析),提出了一种新的雷达目标一维距离像识别方法。该方法首先用非负矩阵稀疏分解提取原数据的局部特征,然后用线性辨别分析方法对提取的特征进行进一步的处理,最终实现降维和特征提取的目的,接着采用最邻近中心法对处理后的特征进行分类,最后用3种不同类型飞机实测回波数据进行识别实验,并与经典的PCA-LDA方法相比较,结果表明该方法具有更好的识别性能。

改进LDA在模拟电路故障预测中的应用

针对模拟电路早期故障识别难度大的问题,提出一种改进线性辨别分析法和隐马尔科夫相结合的故障预测方法。首先设置元件的参数,提取幅频特征;然后采用改进的线性辨别分析(LDA)对电压特征进行提取消除特征的冗余性和高维性;最后将提取的特征用于训练和测试HMM,以实现模拟电路的状态监测。通过实验验证了其具有良好的模拟电路早期故障监测能力。

相同步及支持向量机在意识任务识别中的应用

提出一种衡量相同步方法,用于提取与想象运动相关的脑电信号特征量,并用支持向量机作为分类器对意识任务进行分类.特征提取与分类结果证明了该方法的有效性.

基于Contourlet变换和KFD的相似目标特征提取

对形状轮廓相似目标进行识别时,应用全局特征很难得到有效的鉴别结果,针对这一问题,提出了一种基于Con-tourlet、核主成分分析+Fisher线性辨别(KPCA+FLD)的特征提取方法。选取Contourlet分解后提取出来的多尺度局部特征,以加权求和的方式进行融合处理,选用KFD(KPCA+FLD)对融合后的特征进行降维,选择鉴别力强的特征。最后通过一系列的仿真实验,包括选用不同的特征提取方法、分解层次、核函数、融合权重,验证了该特征提取方法的有效性。