核子空间样本选择方法的核最近邻凸包分类器

为了保证核最近邻凸包分类器有效地处理大训练集的应用问题,提出一种核子空间样本选择方法与该分类器相结合。核子空间样本选择方法是一个类内迭代算法,该算法在核空间里每次迭代选择一个距离选择集样本张成子空间最远的样本。在MIT-CBCL人脸识别数据库的training-synthetic子库上的实验中,该方法不但可以取得100%的识别率,而且与未经选样的核最近邻凸包分类器相比,其执行速度要快许多。

基于核主成分分析和子空间分类的边缘检测方法

针对传统边缘检测方法对噪声敏感的问题,提出了一种基于核主成分分析和子空间分类的边缘检测方法,建立了统一的图像特征表达模型.首先结合其它边缘检测方法进行采样并将采样结果投影到特征空间,然后将核主成分分析得到的特征向量组成特征空间的一个子空间,最后将子空间分类法推广到特征空间来对数据进行分类.实验结果表明,该方法增强了对噪声的鲁棒性,能适应小样本训练,其边缘检测效果明显优于经典算子、主成分分析和非线性主成分分析方法.

基于KFCM的子空间样本选择方法

针对训练样本中包含边界样本数量的多少对支持向量机分类的精度起主要作用,提出基于核模糊C均值算法(KFCM)先对样本集进行聚类,然后利用得到的模糊隶属度矩阵计算样本的模糊熵,通过设定阈值进行子空间样本的选择,最后将得到的子空间样本作为支持向量机(SVM)的训练样本。实验结果证实,由于应用了KFCM方法克服了一些传统样本选择方法在不知道样本类别的情况下,其无法较准确地对任意形状的簇的子空间样本进行选择,同时该方法保留了典型样本,减少了训练样本的数量,从而保证了分类器的性能和较高的训练效率。通过实验比较,该方法在选取子空间样本的性能上比传统的方法要好。