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 .

一种基于核的快速非线性鉴别分析方法

基于"核技巧"提出的新的非线性鉴别分析方法在最小二乘意义上与基于核的Fisher鉴别分析方法等效,相应鉴别方向通过一个线性方程组得出,计算代价较小,相应分类实现极其简便.该方法的最大优点是,对训练数据进行筛选,可使构造鉴别矢量的"显著"训练模式数大大低于总训练模式数,从而使得测试集的分类非常高效;同时,设计出专门的优化算法以加速"显著"训练模式的选取.实验表明,这种非线性方法不仅具有明显的效率上的优势,且具有不低于基于核的Fisher鉴别分析方法的性能.

基于核Fisher判别分析方法的非线性统计过程监控与故障诊断

化工过程中大量的生产数据反应了生产过程的内在变化和系统的运行状况,基于数据驱动的统计方法可以有效地对生产过程进行监控。对于复杂的化工和生化过程,其过程变量之间的相关关系往往具有很强的非线性特性,传统的线性统计过程监控方法显得无能为力。本文提出了基于核Fisher判别分析的非线性统计过程监控方法,首先利用非线性核函数将数据从原始空间映射到高维空间,在高维空间中利用线性的Fisher判别分析方法提取数据最优的Fisher特征矢量和判别矢量来实现过程监控与故障诊断,能有效地捕获过程变量之间的非线性关系,通过对流化催化裂化(FCCU)过程的仿真表明该方法的有效性。

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。

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。

用非线性化学分析法鉴别不同大米及测定其二元混合物中各种大米的含量

利用大米成分、H_2SO_4、丙酮、NaBrO_3和MnSO_4组成的非线性化学体系,研究了2种不同产地的大米及其混合物的非线性化学指纹图谱。利用这些指纹图谱的直观特征和系统相似度模式识别对相应大米进行了鉴别,利用指纹图谱的定量信息对大米混合物中各种大米的含量进行了测定。结果表明:非线性化学分析法可准确鉴别不同产地或品种的大米,对由2种大米互掺形成的混合物也可准确进行定量评价,方法简便、快速。

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。

极小化类内散布度的大间距非线性鉴别分析

提出了一种新的非线性鉴别分析算法——极小化类内散布的大间距非线性鉴别分析。该算法的主要思想是将原始样本映射到更高维的空间中,利用核技术对传统的大间距分类算法进行改进,在新的高维空间中利用再生核技术寻找核鉴别矢量,使得在这个新的空间中核类内散度尽可能的小。在ORL人脸数据库上进行实验,分析了识别率及识别时间,结果表明该方法具有一定优势。

一种加权的核Fisher鉴别分析在人脸识别中的应用

在非线性空间中采用加权的最大散度差鉴别准则函数,该方法不仅有效地抽取了人脸图像的非线性特征,而且在特征空间H中,使用权函数重新构造了类间散度矩阵和类内散度矩阵,从而优化了核的最大散度差准则函数。最后在ORL和Yale人脸数据库上的实验结果验证了本文方法的有效性。

用非线性化学分析鉴别稻米种类和测定两种稻米混合物中每种稻米的含量（英文）

利用大米成分,溴酸钠、硫酸锰、硫酸和丙酮组成的非线性化学体系研究两种大米及其混合物的指纹图谱。用指纹图谱的直观特征和系统相似度模式鉴别大米的种类,利用指纹图谱的定量信息测定大米混合物中每种大类的含量。结果表明:非线性化学分析方法可准确鉴别大米的种类,测定大米混合物中每种大米的含量,而且非常简便。

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。

非线性化学群集成分分析法测定掺杂在羊奶中的牛奶和马奶含量

提出了一种测定奶品中群集成分的非线性化学方法,并将其用于为测定掺杂在羊奶中的牛奶和马奶的含量.首先,在不同温度下测定不同掺杂比的混合奶标样与纯羊奶的非线性化学指纹图谱诱导时间之差,利用该差值与混合奶中各原奶含量的多元线性关系,通过最小二乘法建立测定混合奶中各原奶含量的系统模型;然后,用此模型及相同条件下测得的混合奶试样与纯羊奶指纹图谱的诱导时间之差,计算出该试样中各原奶含量,并据此来鉴别奶品种类及掺杂程度.结果表明,测定值与真实值之间相关系数为0.9991,RSD为0.77%~4.3%,回收率为93.2%~105.5%,掺杂牛奶和马奶含量的检出限分别为1.93%和2.81%;该方法重现性好、准确度高,可同时测定多元混合奶中各原奶的含量,也能准确鉴别出奶品种类;其原理具有通用性,可供其它复杂样品定量分析借鉴和应用.

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.

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。

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。

一种用于人脸识别的非线性鉴别特征融合方法

最近,在人脸等图像识别领域,用于抽取非线性特征的核方法如核Fisher鉴别分析(KFDA)已经取得成功并得到了广泛应用,但现有的核方法都存在这样的问题,即构造特征空间中的核矩阵所耗费的计算量非常大.而且,抽取得到的单类特征往往不能获得到令人满意的识别结果.提出了一种用于人脸识别的非线性鉴别特征融合方法,即首先利用小波变换和奇异值分解对原始输入样本进行降维变换,抽取同一样本空间的两类特征,然后利用复向量将这两类特征组合在一起,构成一复特征向量空间,最后在该空间中进行最优鉴别特征抽取.在ORL 标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核Fisher鉴别分析方法,而且,在ORL人脸库上的特征抽取速度提高了近8倍.