一种应用于人脸识别的非线性降维方法

局部线性嵌入算法(locally linear embedding,LLE)作为一种新的非线性维数约减算法,在高维数据可视化方面获得了成功的应用.然而LLE算法获取的特征从分类角度而言并非最优,而且LLE算法难以获取新样本点的低维投影.为解决这两个缺陷,提出了将非线性的LLE算法和线性判别分析算法(linear discriminant analysis,LDA)相结合的一种新的非线性降维方法,通过ORL、Havard和CMU PIE三个人脸库的实验,结果表明,该方法能够大幅度提高识别率,对光照、姿态及表情变化具有一定的鲁棒性.     

基于点密集度的非线性流形学习算法

提出一种样本点密集度的非线性流形学习算法.该算法提出了一个有效的数据点密集参数,能够很好地对非均匀数据的低维嵌入进行约束,其嵌效结果明显优于LLE算法.在人工和人脸数据集上的实验结果表明,新算法产生了较好的嵌入及分类结果.     

基于LLE和BP神经网络的人脸识别

利用LLE非线性降维方法提取人脸特征,然后将提取出来的特征输入到BP神经网络进行训练得到人脸类间的判别信息,进行人脸识别。利用LLE降维方法既能够降低数据维数,减少运算量,又很好的保留了各类人脸样本的拓扑结构,避免人脸图像光照、姿态等因素对人脸识别的影响。在ORL人脸库上的实验结果表明了,这种方法是有效的。     

一种半监督稀疏保持近邻判别嵌入算法

保持近邻嵌入（NPE）算法对局部线性嵌入（LLE）算法进行了改进,克服了新来样本问题,但在处理分类问题上表现不足。本文提出了一种半监督稀疏保持近邻判别嵌入算法,该方法首先采用小波变换对数据进行预处理,然后执行等距离映射(Isomap)算法选择合适的低维嵌入维数,最后结合稀疏表示理论、NPE和线性判别分析（LDA）的思想,重构邻域图,并在建立目标函数时使得已标签信息中同类样本点之间相互靠近,异类样本点之间相互远离,未标签信息邻域信息得以保持,这样,既得到了高维映射函数,又提高了分类正确率。通过在人脸数据库上实验,并和其他半监督算法作比较,本文提出的算法在识别率上表现较好。     

图强化典型相关分析及在图像识别中的应用

典型相关分析(CCA)作为一种传统特征提取算法已经成功应用于模式识别领域,其旨在找到使两组模态数据间相关性最大的投影方向,但其本身为一种无监督的线性方法,无法利用数据内在的几何结构和监督信息,难以处理高维非线性数据.为此该文提出一种新的非线性特征提取算法,即图强化典型相关分析(GECCA).该算法利用数据中的不同成分构建多个成分图,有效保留了数据间的复杂流形结构,采用概率评估的方法使用类标签信息,并通过图强化的方式将几何流形和监督信息融合嵌入到典型相关分析框架.为了对该算法进行评估,分别在人脸和手写体数字数据集上设计了针对性实验,良好的实验结果显示出该算法在图像识别中的优势.     

基于改进型深度LLE和随机森林的人脸检测算法

针对人脸检测问题的特点,提出一种基于改进型深度LLE(Locally Linear Embedding)算法和随机森林相结合的人脸检测算法。首先,通过采集图像的深度信息,结合图像的颜色信息,构建三维图像信息数据库,再通过改进的LLE算法得到最优降维结果,按一定比例选取训练集,输入随机森林算法建立数据分类器;最后,将测试集输入到训练完成的分类器中,实现人脸图像的检测。选取Yale,JAFFE 2类数据集与传统算法进行对比实验,验证算法的优越性和可行性。实验结果表明:所提出的算法可以有效地完成人脸检测,检测率高于传统算法7%左右。     

基于加权平均脸的最近邻算法

提出了一种基于加权平均脸的最近邻算法。该方法提取与测试样本距离较近的几个样本点,并用提取出的样本点组成加权平均脸。加权平均脸方法扩展了人脸图像的姿态和表情变化,在ORL人脸库和YALE人脸库上的实验表明,该方法提高了人脸样本的识别率：     

局部保持鉴别投影及其在人脸识别中的应用

针对流形学习在人脸识别中的应用,该文提出基于局部保持投影(Locality Preserving Projection,LPP)的监督线性维数约简方法.利用样本的类别信息,将LPP的最近邻图分解为类内图和类外图,通过优化,最优保持同类数据固有的局部邻域关系,缩小数据之间的距离,同时最大化不同类数据之间的距离,从而增大各类数据分布之间的间隔,提高了嵌入空间的辨别能力.此外,在构建图的过程中采用了自适应邻域,增强了对数据分布稀疏性的表征.在Extended Yale B和CMU PIE两个开放人脸数据库上进行了试验,验证了算法的有效性.     

基于有监督的核局部线性嵌入的人脸性别识别

流形学习方法可以有效地发现存在于高维图像空间的低维子流形并进行维数约简,但它是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,而且流形学习方法大多没有明晰的投影矩阵,很难直接对新样本进行维数约简.针对这两个问题,提出一种新的有监督的核局部线性嵌入算法(SKLLE,supervised kernel local linear embedding).该算法通过非线性核映射将人脸样本投影到高维核特征空间,然后将人脸局部流形的结构信息和样本的类别信息进行有效地结合进行维数约简,提取低维鉴别流形特征用于分类.SKLLE算法不仅能发现嵌入于高维人脸图像的低维子流形,而且增强了局部类间的联系,同时对新样本有较好的泛化性,实验结果表明该算法能有效的提高人脸性别识别的性能.     

图强化典型相关分析及在图像识别中的应用

典型相关分析(CCA)作为一种传统特征提取算法已经成功应用于模式识别领域,其旨在找到使两组模态数据间相关性最大的投影方向,但其本身为一种无监督的线性方法,无法利用数据内在的几何结构和监督信息,难以处理高维非线性数据。为此该文提出一种新的非线性特征提取算法,即图强化典型相关分析(GECCA)。该算法利用数据中的不同成分构建多个成分图,有效保留了数据间的复杂流形结构,采用概率评估的方法使用类标签信息,并通过图强化的方式将几何流形和监督信息融合嵌入到典型相关分析框架。为了对该算法进行评估,分别在人脸和手写体数字数据集上设计了针对性实验,良好的实验结果显示出该算法在图像识别中的优势。     

应用于人脸识别的监督局部邻域保持嵌入算法

提出了一种应用于人脸识别的监督线性维数约简 算法。首先引入图像距离度量方法以确定人脸数据 之间的相似程度,之后将训练样本的类标先验信息融入到邻域保持嵌入(NPE,neighborhood preserving embedding)算法的目标函 数中,使得降维后的嵌入空间的投影数据呈多流形分布,不仅最优保持了样本空间的局部几 何结构,同时各类样本 投影的类内散度最小化,类间散度最大化,增大了各类数据分布之间的间隔,提高了嵌入空 间的辨别能力。在Extended Yale B和CMU PIE两个开放人脸数据库上进行了识别实验,结果表明,本文算法取得了很好 的识别效果。     

低秩稀疏和改进SAM的高光谱图像误标签检测

为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪; 然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度; 最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。     

一种融合聚类的监督局部线性嵌入算法研究

监督局部线性嵌入算法(SLLE)通过数据点的标签信息进行高维数据在低维特征空间的映射,针对SLLE在均匀化高维数据的分布和最小化重构代价时,忽略类内偏离总体分布的稀疏离散数据在线性重构过程中可能错误地投影在其他超平面的情形,引入Kmeans++算法调整样本间距离,进行最优近邻点的选择,从而更有效地反映数据在高维空间中的实际分布,使降维后的数据具备更好的可分性.通过ORL以及Yale人脸数据集上的仿真实验,结果显示,该方法具有更强的泛化能力及更高的识别率.     

基于图的半监督学习的距离度量改进

基于图的半监督学习的一个关键问题是：图上顶点之间的距离度量的有效性问题。为了解决这个问题,提出了基于图的半监督学习的距离度量改进方法。通过在现有密度敏感的距离度量方案中添加补偿参数的方法,使得改进的距离度量方案不但能够有效地扩大不同类别的高密度区域样本间的距离,同时还能缩小相同类别中样本之间的距离。将改进的距离度量方案应用到聚类算法中,来验证改进的距离度量方案的有效性。实验结果表明：改进的距离度量方法能够有效地扩大不同类别间距离,增强类内聚合度。     

LLE-based classification algorithm for MMW radar target recognition

In this paper, a new multiclass classification algorithm is proposed based on the idea of Locally Linear Embedding (LLE), to avoid the defect of traditional manifold learning algorithms, which can not deal with new sample points. The algorithm defines an error as a criterion by computing a sample’s reconstruc-tion weight using LLE. Furthermore, the existence and characteristics of low dimensional manifold in range-profile time-frequency information are explored using manifold learning algorithm, aiming at the problem of target recognition about high range resolution MilliMeter-Wave (MMW) radar. The new algo-rithm is applied to radar target recognition. The experiment results show the algorithm is efficient. Com-pared with other classification algorithms, our method improves the recognition precision and the result is not sensitive to input parameters.     

基于扩展LLE方法的非线性系统故障诊断研究

针对非线性系统故障诊断难以解决的问题,提出了一种基于扩展局部线性嵌入映射(Locally Linear Embedding,LLE)的故障诊断方法.通过引入切空间距离代替欧氏距离,可以更加科学的满足算法近邻点局部线性的要求,从而可以更好的保留原始数据的局部流形特征.另外,将故障状态与高维空间分布结合起来,通过确定数据点在空间超球内的分布完成故障的检测,在这个过程中将超球的确定与LLE算法中基于核函数的样本外数据扩展相结合,减少了计算量,提高了算法的实时性,从而为复杂非线性系统的故障诊断提供了一种新的有效的方法.