基于LDA与QDA的自增强分类器在肌电模式识别中的应用

为使分类器适应肌电模式识别中肌电信号的时变性,提出了一种新的具有自适应能力的自增强分类方法,该方法在传统的静态分类器(LDA分类器和QDA分类器)的基础上,引入了一个新的参数更新算法,通过更新方差矩阵和均值向量实现参数求解,使其能在测试阶段对分类器参数进行动态更新。实验结果表明,该方法不仅降低了计算复杂度,而且显著提高了分类器的识别性能。

基于Zernike特征提取和LDA的人脸图像识别方法

针对现有人脸识别方法不能很好的处理面部表情、光照、头部姿势和遮挡等问题,提出一种基于Zernike特征提取和线性判别分析（LDA）分类器的人脸识别方法。首先,对图像进行归一化处理,并进行裁剪;然后,利用Zernike矩（ZM）提取全局特征,并利用主成分分析（PCA）来对特征进行降维;最后,利用提出的决策融合算法对局部和全局特征进行融合,获得一个最终的特征向量作为LDA分类器的输入,进而进行人脸识别。在ORL、AR和CASIA 3D人脸数据库上的实验结果表明,该方法在具有较低计算量的同时显著提高了的人脸识别精度。

基于卡尔曼滤波的城市路口车辆检测及分类

为了向相关部门提供更多的过往车辆信息以满足道路交通的需求,设计了一个基于卡尔曼滤波算法的城市交叉路口车辆检测及分类系统,用于对过往的车辆进行检测、计数和分类。首先采用背景差分法和卡尔曼滤波算法对在检测区的车辆进行检测和跟踪;然后使用经过检测、处理的被测车辆图像触发距其最近的相机进行图形分割;最后,通过LDA分类器对分段车辆的几何形状及外观特征进行正确地分类。所提系统的有效性在摄取的3 400帧视频序列上得到了验证,实验结果表明,系统的检测率可达97.44%,正确分类率可达88.0%,与先进的方法相比,取得了更好的检测性能。

基于线性判别分析的室内声源定位方法

在小信噪比和混响时间较长的恶劣环境下,基于模式分类的手段能够有效克服传统的声源定位算法鲁棒能力不足的缺点,其中朴素贝叶斯分类器定位的准确率高,计算量小,鲁棒能力强。在此基础上,为了获得更好的定位性能,提出使用线性判别分析(LDA)分类器进行声源定位。使用Matlab进行仿真,截取声源信号的相位变换加权广义互相关函数(PHAT-GCC)作为特征向量,通过投影变换,找到最佳的特征空间来区分特征数据,从而训练得到线性判别分析分类器。然后在不同的混响时间和信噪比的条件下,进行定位测试,比较了线性判别分析分类器和朴素贝叶斯分类器的性能。仿真结果表明,在环境恶劣场合更宜使用线性判别分析分类器,特别是混响严重时,线性判别分析分类器的定位准确率比朴素贝叶斯分类器高1%~2%。

基于机器学习和统计学习的P300识别问题研究

建立了基于机器学习和统计学习的P300信号识别模型.由于通道数过多,建立基于组稀疏贝叶斯逻辑回归的通道自动选择模型来提取最佳通道组合;然后针对数据标签成本过高的问题,提出了改进的基于支持向量机的半监督分类模型.最后针对5个健康成年被试的P300脑机接口实验数据进行实证分析.在实证分析中首先对数据进行预处理、特征提取和整合、欠采样等数据分析工作,然后在通道自动选择模型选择出的最优通道组合的前提下,识别并分类预测了P300信号.该识别过程是康复工程发展的重要辅助工具.