负投影梯度的特征权重Leader聚类算法

Leader算法是一种基于粗糙集的层次聚类算法,其聚类过程中各维特征贡献作用均等,这样的处理方法降低了主要特征在聚类中的贡献作用,从而影响聚类的效果.采用负投影梯度法对各维特征的权重进行自适应学习,从而优化地获得各维特征的权值,进而建立了基于负投影梯度法的特征权重Leader聚类算法.该算法强化了重要特征在聚类过程中的作用.聚类结果用"熵"和"精度"来评价,实验结果证明,改进后的聚类算法能够改善聚类的效果,验证了本文方法的可行性与有效性.

改进投影梯度非负矩阵分解的单训练样本特征提取研究

人脸识别是当前人工智能和模式识别的研究热点。非负矩阵分解(NMF)能够反映样本的局部的内在的联系,可用于单样本特征提取,但时间复杂度较高。投影梯度(Projected Gradient,PG)优化方法大幅降低了NMF约束优化迭代问题的时间复杂度,但是单训练样本存在对本类信息量描述不足的缺点。为此,该文提出了一种基于改进的投影梯度非负矩阵分解(Improved Projected Gradient Non-negative Matrix Factorization,IPGNMF)的单训练样本特征提取方法。在进行PGNMF算子之前,先将训练样本作Gabor分解,分解后的Gabor子图像在各个方向上可以更加丰富的描述样本特征,最后将各个Gabor子图像的PGNMF特征进行融合,作为最终的识别特征。在对人脸库ORL,YEL与FERET的识别实验中,与经典的特征提取方法比较,证明了可以有效地解决单训练样本人脸识别的问题。

基于B(2D)~2PGNMF的ISAR像目标识别

为了更好地利用逆合成孔径雷达(ISAR)像目标的局部空间结构信息和类别信息实现目标识别,该文提出了一种基于分块双向二维投影梯度非负矩阵分解(B(2D)2PGNMF)的ISAR像目标识别方法。采用基向量非负加权组合的形式构建目标像。将B(2D)2PGNMF分解得到的权向量作为特征,通过最近邻分类器完成五类飞机目标的识别。仿真结果表明:在相同的压缩率或相同的基矩阵维数下,二维投影梯度非负矩阵分解(PGNMF)算法比一维PGNMF算法具有更高的识别精度,分块投影梯度非负矩阵分解(BPGNMF)算法的识别结果优于PGNMF算法,B(2D)2PGNMF算法的识别结果优于双向二维投影梯度非负矩阵分解((2D)2PGNMF)算法。在相同的基矩阵维数下,二维PGNMF算法的压缩率高于一维PGNMF算法,BPGNMF算法所需的运行时间最长,(2D)2PGNMF算法的运行时间最短。该文方法在不影响运算效率的同时能获得较好的识别结果。

改进投影梯度NMF的NSST域多光谱与全色图像融合

为了有效结合多光谱图像的光谱信息和全色图像的空间细节信息,进一步改善融合后多光谱图像的质量,提出了基于改进投影梯度非负矩阵分解(NMF)和改进脉冲耦合神经网络(PCNN)的非下采样Shearlet变换(NSST)域多光谱和全色图像融合方法。对多光谱图像进行亮度-色度-饱和度(IHS)变换,将其亮度分量与全色图像进行直方图匹配,增强全色图像的对比度;分别对多光谱图像的亮度分量和全色图像进行NSST变换,对二者的低频系数利用改进投影梯度NMF进行融合,进一步提高融合后图像的空间信息;对于高频子带系数,采用基于改进PCNN的方法进行融合,增强图像的细节信息;经非下采样Shearlet逆变换得到融合后的亮度分量,进行IHS逆变换得到融合图像。大量实验结果表明,所提出的方法在保留多光谱图像光谱信息的同时,增强了融合图像的空间细节表现能力,优于现有的基于IHS变换、基于非下采样Contourlet变换(NSCT)和NMF、基于NSCT和PCNN等几种融合方法。

一种基于核映射的自适应优化配置属性权重组的方法

通过引入一个从样本空间到特征空间的核映射,从而将样本空间中的分类问题与特征空间中的聚类问题联系起来.为获得样本空间中的一组合适的属性权重值,提出了一种基于核映射的自适应优化配置属性权重组的方法.在特征空间中根据"聚类之内的数据点最大限度的相近,聚类之间的数据点最大限度的相离"这个原则,提出了一个带约束的混和目标函数,通过优化这个混和目标函数来获得样本空间中的一个合适的属性权重组.为求解这个混和目标函数,提出了一种基于负投影梯度的自适应优化配置属性权重组的方法.接着采用UCI的两个标准数据集来进行实验验证,可以证实这种根据给定数据点集进行自适应优化配置样本空间中的属性权重组方法的有效性.最后给出了两种自适应优化目标函数权重参数和核函数参数的方法.