基于核的Fisher非线性最佳鉴别分析在人脸识别中的应用

抽取最佳鉴别特征是人脸识别中的重要一步。对小样本的高维人脸图像样本,由于各种抽取非线性鉴别特征的方法均存在各自的问题,为此提出了一种求解核的Fisher非线性最佳鉴别特征的新方法,该方法首先在特征空间用类间散度阵和类内散度阵作为Fisher准则,来得到最佳非线性鉴别特征,然后针对此方法存在的病态问题,进一步在类内散度阵的零空间中求解最佳非线性鉴别矢量。基于ORL人脸数据库的实验表明,该新方法抽取的非线性最佳鉴别特征明显优于Fisher线性鉴别分析(FLDA)的线性特征和广义鉴别分析(GDA)的非线性特征。

Fisher线性鉴别分析的理论研究及其应用

Fisher线性鉴别分析已成为特征抽取的最为有效的方法之一 .但是在高维、小样本情况下如何抽取Fisher最优鉴别特征仍是一个困难的、至今没有彻底解决的问题 .文中引入压缩映射和同构映射的思想 ,从理论上巧妙地解决了高维、奇异情况下最优鉴别矢量集的求解问题 ,而且该方法求解最优鉴别矢量集的全过程只需要在一个低维的变换空间内进行 ,这与传统方法相比极大地降低了计算量 .在此理论基础上 ,进一步为高维、小样本情况下的最优鉴别分析方法建立了一个通用的算法框架 ,即先作K L变换 ,再用Fisher鉴别变换作二次特征抽取 .基于该算法框架 ,提出了组合线性鉴别法 ,该方法综合利用了F S鉴别和J Y鉴别的优点 ,同时消除了二者的弱点 .在ORL标准人脸库上的试验表明 ,组合鉴别法所抽取的特征在普通的最小距离分类器和最近邻分类器下均达到 97%的正确识别率 ,而且识别结果十分稳定 .

基于核函数Fisher鉴别分析的特征提取方法

提出一种基于核函数的Fisher鉴别分析的故障特征提取方法。该方法通过内积核函数将原始特征空间映射到高维特征空间,然后在高维特征空间作线性Fisher判别分析,从而得到原始特征空间的非线性特征,最后应用滚动轴承的故障数据对该方法进行了检验。结果表明,与线性Fisher鉴别分析和核主元分析方法相比,基于核函数的Fisher鉴别分析更适合提取机械故障的非线性特征,它所提取的故障特征对故障具有更好的识别分类能力,并且对分类器具有较强的鲁棒性。

一种最优的核Fisher鉴别分析与人脸识别

基于核的Fisher线性鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一。但是,针对必然面临的奇异性问题,如何抽取非线性最优鉴别特征还没有得到很好的解决。基于同构映射的思想,我们提出了一种最优的核Fisher鉴别分析(OKFDA)方法,从理论上巧妙的解决了奇异情况下最优鉴别矢量集的求解问题。在FERET人脸库的子库上的实验结果验证了OKFDA方法的有效性。

基于粗糙核Fisher鉴别分析的特征提取及其在发动机故障诊断中的应用

将粗糙集理论的属性约简与核Fisher鉴别分析方法结合起来,提出一种基于粗糙核Fisher鉴别分析的故障特征提取方法.首先采用粗糙集理论的属性约简删除与分类无关或关系不大的特征,降低输入特征维数,排除干扰特征的影响,减小了特征提取计算量;再采用核Fisher鉴别分析方法进一步提取非线性特征;最后将该方法应用于航空发动机滑油系统故障特征提取及故障识别中.结果表明:该方法获取的特征在提高分类正确率的同时,还有效地降低了输入特征维数,提高了分类效率,并且对分类器具有较强的适应性和鲁棒性.

模糊逆Fisher鉴别分析及其在人脸识别中的应用

在逆Fisher鉴别分析的基础上,引入了模糊数学的思想,提出了模糊逆Fisher鉴别分析并成功应用于人脸识别。模糊逆Fisher鉴别分析通过隶属度函数将样本归入所有的类别之中,根据隶属度重新定义了类间散布矩阵和类内散布矩阵,进而将样本的原始分布信息通过相应的隶属度函数完全融入到了最后提取到的特征中。在ORL和FERET人脸库上的实验结果证明了基于模糊逆Fisher鉴别准则特征提取方法的优越性。

一种基于空间变换的核Fisher鉴别分析

引入空间变换的思想,提出了一种基于空间变换的核Fisher鉴别分析,与KFDA不同的是,该方法只需在一个较低维的空间内执行,从而较大幅度地降低了求解最优鉴别矢量集的计算量,提高了计算速度。在ORL标准人脸库上的试验结果验证了所提方法的有效性。

基于核的Fisher极小鉴别分析及人脸识别

Fisher鉴别分析被公认为是特征抽取的有效方法之一,但由于其只能抽取线性特征,而对于实际应用中复杂的样本图像分布,抽取非线性鉴别特征显得十分必要。先前的基于核Fisher鉴别分析算法虽然解决了非线性特征抽取问题,但是其存在最终特征维数受类别数限制的问题。为了能够进一步提高特征提取效率,提出了一种基于核的Fisher极小鉴别分析方法,该方法使得最终特征维数不受类别数限制。在Yale和NUST603人脸库上进行了鉴别性能实验,实验结果验证了该方法的有效性。

一种改进Fisher准则的线性鉴别分析方法

目前线性鉴别分析以Fisher准则或是逐对类加权Fisher准则为依据,但前者不能限制离群类,后者计算量大,鉴于此,提出一种改进Fisher准则用于线性鉴别分析。回顾了Fisher准则和逐对类加权Fisher准则,指出其中问题产生的根本原因。提出类距离和类离群程度的定义,以类距离为依据判定各类离群程度,以类离群程度为参数赋予各类权值,重新计算总体类均值和类间离散度矩阵,以得到限制离群类、突出常规类的改进Fisher准则。这种改进Fisher准则计算简单,能有效限制离群类。

基于向量组的Fisher线性鉴别分析方法

提出了一种基于向量组的Fisher线性鉴别分析方法。该方法先将原始的高维向量分割为低维的子向量组,再对向量组运用Fisher线性鉴别分析。这种处理方法,不但能够解决任意高维下的小样本问题,而且通过选择恰当的子向量维数,可以从向量中抽取出最有效的特征值。此外,基于向量组的Fisher线性鉴别分析是Fisher线性鉴别分析和二维Fisher线性鉴别分析的进一步推广。

一种求解Fisher最佳鉴别矢量的新算法及人脸识别

Ｆｉｓｈｅｒ最佳鉴别矢量是高维模式分析中的有效方法。当训练样本数相对于特征空间的维数较小时，就成了小样本问题。为了求解小样本问题，人们提出了一系列方法并取得了良好的效果。但在类内距离为零的情况下已有的方法均得不到最佳解，该文从理论上说明了这一点，并给出了一种在任何情况下都能得到最佳解的新算法，试验结果证实了这样的推断。

基于核Fisher鉴别分析的RVM战斗机空战效能评估

为提高战斗机空战效能的评估能力,提出一种基于KFDA特征提取的RVM效能评估方法。该方法在系统分析基础上,引入战斗机空战效能评估指标体系;采用KFDA提取评估指标数据中的高阶非线性特征;凭借RVM在非线性系统建模方面的优势,构建所提取特征的战斗机空战效能评估模型,进而完成效能评估。实例分析表明,该方法对战斗机空战效能评估的均方根误差达到0.0094,评估结果相对于其他方法更为准确,过程也更为科学合理,从而验证了其用于战斗机空战效能评估是可行和有效的。

基于二维Fisher线性鉴别分析和粒子群优化的红外图像分割(英文)

二维Fisher线性鉴别分析的图像分割算法,考虑了图像中目标和背景之间类间方差和类内方差在类别分离中的作用,有效地克服经典Otsu阈值法当图像中目标的面积很小(直方图上表现为峰的大小相差很大或者没有明显双峰)时产生的阈值"漂移"现象,是一种有效的图像分割方法。针对二维Fisher线性鉴别分析计算量大的特点,采用粒子群算法来搜索最优二维阈值向量。每个粒子代表一个可行的二维阈值,通过粒子群之间的协作来获得最优阈值向量。实验结果表明,所提出的方法不仅能准确地分割图像,而且计算量大大减少,达到了快速分割的目的,便于实时应用。

Logistic回归和Fisher判别分析模型在冠心病鉴别诊断中的临床价值

目的探讨基于常规实验室检查建立的Logistic回归和Fisher线性判别分析模型在冠状动脉粥样硬化性心脏病鉴别诊断中的临床应用价值。方法选取昆明医科大学第一附属医院2018年3月至2019年2月以胸闷、胸痛为主诉就诊的178例患者为研究对象,根据冠状动脉造影结果分为冠心病组和非冠心病组,回顾性分析患者的常规实验室指标,建立诊断冠心病的Logistic回归和Fisher判别分析模型,并验证模型诊断和预测的准确率,进一步评价其在临床应用中的实际意义。结果建立的Logistic回归方程为:Logit(P)=-24.641+0.105×年龄+1.520×糖尿病+0.286×BMI+1.209×LDL-C+0.614×PDW+4.131×(Mono/HDL-C);建立的Fisher分类判别分析函数为:1(冠心病)=-69.314+0.629×年龄+2.378×BMI+1.985×PDW+5.123×LDL-C+0.304×Ln(TG)+1.972×Ln(HDL-C),2(非冠心病)=-52.184+0.527×年龄+2.164×BMI+1.660×PDW+4.104×LDL-C-0.149×Ln(TG)+3.818×Ln(HDL-C)。Logistic回归模型对冠心病和非冠心病的诊断准确率分别为93.0%和84.0%,预测准确率分别为91.4%和70.0%;回顾法、留一法交叉验证及外部数据验证法检验Fisher判别函数的判别正确率分别为82.0%、81.5%和81.3%。结论Logistic回归和Fisher线性判别分析模型在冠心病鉴别诊断中均具有较好的鉴别和预测价值。

一种改进的核Fisher鉴别分析方法

核Fisher鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一.针对在解决两类模式分类问题中KFDA只能获得一个鉴别矢量的弱点,提出了一种改进的核Fisher鉴别分析(MKFDA)方法,该方法对特征空间中的两类间离散度进行了重新估计,通过使用核类间散布矩阵的一种特殊形式,我们可以得到最多N(N为训练样本数)个鉴别矢量,从而提高了两类模式问题的分类性能.在IRIS数据上的实验结果验证了MKFDA方法的有效性.

大间距无相关边界Fisher鉴别分析

针对边界Fisher鉴别分析方法存在的小样本问题以及所求出的鉴别矢量集缺少约束限制的缺陷,提出了一种大间距无相关边界Fisher鉴别分析方法。该方法采用最大化描述样本数据可分性和紧致性的矩阵之差作为目标函数,避免了边界Fisher鉴别分析的小样本问题;对于无相关鉴别矢量集的求解,给出了先构造无相关空间,再进行特征值分解的求解策略。仿真结果表明,该方法在识别性能上优于已有的边界Fisher鉴别分析及其改进方法,且避免了使用繁琐的迭代方法求解不相关鉴别矢量集,具有一定的实用价值。

一种新的基于Schur分解的Fisher鉴别分析方法

特征抽取是模式识别研究领域的一个热点。本文提出了一种新的基于Schur分解的Fisher鉴别分析的特征抽取方法。此方法引入了零空间的概念,指出了前人算法中的不足之处;给出了一个完整的基于Schur分解的Fisher鉴别分析方法。ORL人脸数据库上的实验表明了该方法的有效性。

运用核Fisher鉴别分析和MPM分类器的入侵检测

为了提高分类器的正确率和减少训练时间,将特征提取技术与分类算法结合,提出了一种基于核Fisher鉴别分析和最小极大概率机算法的入侵检测算法。利用核Fisher鉴别分析技术提取关键特征,运用最小极大概率机对提取特征后的数据进行分类,采用离线数据集KDDCUP99进行实验。实验结果表明,该算法是可行和有效的,使分类性能和训练时间都得到了提高。

荧光光谱成像技术结合主成分分析与Fisher判别快速鉴别肉苁蓉

为探究一种快速、可靠的肉苁蓉属中药材检测方法，实验采用荧光光谱成像技术结合模式识别方法对肉苁蓉属三种中药材：荒漠肉苁蓉、管花肉苁蓉和沙苁蓉进行鉴别研究。实验中发现肉苁蓉样品存在较显著的荧光特性，采集来自不同产地、不同批次以及不同超市购买的三种肉苁蓉属药材的40个样品的荧光光谱图像，对图像进行去噪、二值化处理后，根据光谱立方体绘制每个样本的光谱曲线，将所得450～680 nm 波段范围内的光谱数据作为鉴别分析的研究对象，应用主成分分析法（PCA）对三种肉苁蓉的光谱数据进行降维处理，再结合 Fisher 判别方法对三种肉苁蓉进行鉴别。分别比较多元散射校正（MSC）、标准正态变量校正变换（SNV）以及一阶微分（FD）三种数据预处理方法对鉴别模型的影响，并根据主成分的累积贡献率和主成分因子数对判别模型效果的影响对主成分因子数进行优化。分析结果表明：一阶微分预处理后提取前四个主成分进行 Fisher 判别的鉴别效果最佳，PCA 结合 Fisher 判别建立肉苁蓉属三种药材的判别模型原始判别的准确率达到100％，交叉验证的准确率达到95％。由此可见，利用荧光光谱成像技术结合主成分分析及 Fisher 判别对肉苁蓉属三种药材的鉴别分析是可行的，而且具有操作简便、快速、可靠等优点。

基于加权Fisher准则的线性鉴别分析及人脸识别

提出了一种基于加权Fisher准则线性鉴别分析的人脸识别方法。该方法引入了一种新的权函数对Fisher准则加权,以提高样本在低维线性空间中的可分性,然后探讨了高维、奇异情况下如何降低运算量的问题,并给出了一个简单高效的算法。在ORL标准人脸库上进行测试,由该算法抽取的特征在最近邻分类器和最小距离分类器下均达到96%的正确识别率,这一结果优于经典的特征脸和Fisher脸方法在该库上的识别结果。