基于递归零空间线性判别分析算法的蛋白质质谱数据特征选择

目的针对蛋白质质谱数据,采用一种新的基于特征选择的算法提取判别特征,提高癌症辅助诊断的准确率。方法将小波特征与递归零空间线性判别分析(LDA)特征选择算法相结合,首先对数据进行多分辨率的小波分解,提取样本细节特征;接着运用t-test进行筛选,初步降低数据的特征维数;然后递归调用零空间LDA算法,筛选出最具判别意义的蛋白位点;最后采用支持向量机(SVM)分类器估算算法性能。采用十折交叉验证进行测试。结果在公共数据卵巢癌OC-WCX2a上的分类率达到98.3%。在浙江省肿瘤医院提供的临床乳腺癌BC-WCX2a数据上分类率为91.45%,敏感性为97.2%。同时,该算法有效地降低了所选特征间的相关性。结论本算法可充分提取蛋白质质谱数据中的判别特征,从而更有利于癌症的辅助诊断。

基于零空间核判别分析的人脸识别

提取有效特征对高维数据的模式分类起着关键作用.零空间线性判别分析(null-space linear discriminant analysis,NLDA)在数据降维和特征提取上表现出较好的性能,但是该方法本质上仍是一种线性方法.为有效提取数据的非线性特征,提出了零空间核判别分析算法(null-space kernel discriminant analysis,NKDA)并将其应用于人脸识别.利用核函数将原始样本隐式地映射到高维特征空间后,采用一次瘦QR分解求核类内散布矩阵的零空间鉴别矢量集,最后再进行一次Cholesky分解求得具正交性的核空间鉴别矢量集.与NLDA相比,NKDA具有更好的识别性能且在大样本情况下也能应用.另外,基于NKDA,提出了增量NKDA算法,当增加新的训练样本时能正确地更新NKDA鉴别矢量集.在ORL库、Yale库和PIE子库上的实验结果表明了算法的有效性和效率,在有效降维的同时能进一步提高鉴别能力.

基于对称线性判别分析算法的人脸识别

小样本问题的存在使得类内离散度矩阵为奇异阵,因此求解线性判别分析(LDA)算法的广义特征方程存在病态奇异问题。为解决此问题,在已有算法的基础上,引入镜像图像来扩大样本容量,并采用Sw零空间的方法求得Fisher准则函数的最优解。通过在ORL和Yale标准人脸库上的实验结果表明,人脸识别效果优于传统LDA方法、独立成分分析(ICA)方法以及二维对称主成分分析(2DSPCA)方法。

基于值域空间中类零子空间分析的模式判别

本文提出了一种新的基于值域空间中类零子空间分析(CNSA)的模式判别方法。CNSA方法首先获取全体训练样本的值域空间,然后在值域空间中定义了各个子类的类零子空间(CNS)及其正交补空间。类零子空间及其正交补空间上都含有有效判别信息。CNS上的类内距离为零,第i类的样本到其中心的相对距离远小于到其他类的中心的距离。在对值域空间和新的CNS的性质进行分析的基础上,构造到各个类的特征空间的投影矩阵。通过计算待测样本到各特征子空间的距离,CNSA算法不但能够对属于已知模式的样本作分类判决,还能发现新模式类。在太赫兹时域光谱数据集和COIL100数据库上,将提出的CNSA算法与相关算法进行了实验比较,实验结果验证了本文CNSA算法的优越性。

I-VLDNS:一种改进的线性判别子空间模式识别算法

针对现有模式判别分析方法中普遍存在的子空间优化与"小样本"问题,首先剖析总体、类内以及类间三种散布矩阵的零空间的物理含义,深入阐释有效零空间与有效线性判别零空间核心原理;其次,研究始空间中总体、类间散布矩阵与有效零空间、有效值域空间上的总体、类间散布矩阵关于特征值与特征向量之间的关联关系,并且获取类内散布矩阵零空间、值域空间上关于Fisher线性判别率的关键结论;最后,基于有效线性判别零空间理论,设计出一种改进的线性判别子空间模式识别算法,即I-VLDNS。通过相关数据集模拟实验表明,I-VLDNS算法在模式识别分析性能、精确度以及鲁棒性上均得到进一步优化与提高。

基于线性判别分析的加权零空间算法及在人脸识别中的应用

线性判别分析(LDA)用于人脸识别时,存在因训练样本不足引起类内散布矩阵奇异的小样本问题.基于LDA的传统零空间方法首先去掉总体散布矩阵的零空间进行降维,可以避免小样本问题.提出了一种加权零空间特征提取方法,并对加权系数进行了讨论.在人脸数据库上的实验结果验证了其有效性.

结合零空间法和F-LDA的人脸识别算法

线性判别分析(LDA)是一种常用的线性特征提取方法。传统LDA应用于人脸识别时主要存在两个问题:1)小样本问题,即由于训练样本不足引起矩阵奇异;2)优化准则函数并不直接与识别率相关。提出了一种新的能同时解决以上两个问题的基于LDA的人脸识别算法。首先,通过重新定义样本的类内散布矩阵和类间散布矩阵,提出了一种新的零空间法。然后把这种新的零空间法与F-LDA(Fractional LDA)算法相结合,得到一种对人脸识别更有效的特征提取方法。实验结果表明,这种新算法具有较高的识别率。

基于改进零空间法的人脸识别研究

针对传统线性判别分析中存在的问题,提出一种基于改进零空间法的人脸识别方法,利用奇异向量的稳定性对零空间上的类间散度矩阵投影进行奇异值分解,并对奇异值进行尺度化处理。在ORL和Yale人脸库中对该方法进行性能测试,实验结果表明,该方法是有效的,且具有较高的识别率。

基于DCT的改进零空间人脸识别算法

线性判别分析(LDA)是一种较为普遍的线性特征提取方法,它的主要缺点是在应用时经常遇到小样本问题,同时其准则函数并不与识别率直接相关。该文提出一种基于DCT的改进零空间LDA方法,能够解决以上两个问题。首先,通过使用DCT代替"像素聚类"并重新定义类间散布矩阵,得到一种新的零空间法。然后将这种方法与F-LDA结合起来得到一种新的对人脸识别更有效的特征提取方法,实验证明这种方法能得到较好的识别率。

基于力场收敛特征的多姿态人耳识别

提出了一种通过提取力场收敛特征进行多姿态人耳识别的新方法。首先把人耳图像转换为力场图像,通过计算力场的散度得到人耳收敛特征,然后使用零空间线性判别分析算法进一步提取特征并分类识别。实验结果表明,力场收敛特征比最初基于力场变换的势能阱特征更为稳定,而零空间线性判别分析方法也优于传统的主元分析降维方法,更好地解决了小样本问题,识别率得到进一步提高。该方法能够有效识别多姿态人耳图像。

基于特征选择的阿尔茨海默症辅助诊断

阿尔茨海默症(AD)是一种在老年人中多发的脑部神经疾病,致病原因迄今未明,在疾病发展早期难以诊断。随着计算机和人工智能技术的大力发展,利用磁共振成像(MRI)技术和机器学习方法辅助医生对AD进行辅助诊断不断取得新的成果。本研究提出一种基于支持向量机递归特征消除(SVM-RFE)和线性判别分析(LDA)的AD辅助诊断方法。首先对MRI图像进行预处理,获得90个大脑脑区的灰质体积;然后使用SVM-RFE和LDA相结合的方法,对90个大脑脑区灰质体积进行特征选择;最后通过SVM进行分类。通过对来自于ADNI数据库中的34名AD、26名主观记忆衰退(SMC)患者和50名正常被试(NC)的MRI图像分析,得到AD/NC、AD/SMC和NC/SMC的平均分类准确率分别为94.0%、100.0%和93.6%。实验结果证明,本研究提出的方法可有效提取样本特征,辅助医生诊断AD。

基于fMRI和sMRI特征融合的阿尔茨海默病辅助诊断

阿尔茨海默病是老年人常见的一种慢性进行性神经退化疾病,提出一种融合功能磁共振成像和结构磁共振成像信息辅助诊断方法。采用时间窗、主成分分析和线性判别分析融合策略提取功能磁共振成像特征,采用基于支持向量机递归特征消除和线性判别分析提取结构磁共振成像特征,将两种模态的特征通过串行融合的方式转化为一个向量输入SVM分类器,并获得分类结果。在ADNI数据库中的实验验证,两种模态特征融合后AD/SMC、NC/SMC、AD/NC分类准确率分别为94.1%、95.5%和96%。

小样本问题的算法比较

将不相关线性判别分析(ULDA)和零空间线性判别分析(NLDA)两种思想结合起来,提出了处理小样本问题的六种算法,并通过实验说明了这六种算法的分类有效性.

基于双正交小波和加权NLDA的人脸识别

文章针对基于零空间线性判别分析方法在高维多类别的人脸识别应用中存在的"次优性"和"效率低"两个问题,提出了一种改进方法。该方法用加权函数重新定义类间离散矩阵以减弱边缘类带来的不良影响来改善次优性问题;并对图像进行双正交小波分解来降低分辨率以到达提高效率的目的。最后在ORL人脸库上进行了实验,通过实验确定了最优加权系数和小波分解的最佳层数,并验证了该方法比基于零空间线性判别分析方法有更高的效率和识别率。