求解广义最佳鉴别矢量集的一种改进算法

鉴于广义最佳临别矢量集是Ｆｏｌｅｙ－Ｓａｍｍｏｎ最佳鉴别矢量集的一种推广,给出了广义最佳鉴别矢量的定义,并从理论上对已有的求解广义最佳鉴别矢量集的算法作了分析,指出了其中的不足之处,并给出了一种改进的算法,将此方法用于人脸识别,结果显示,新方法比已有的方法更有效。     

有效最佳鉴别特征的抽取与维数问题

在模式识别领域中,基于Ｆｉｓｈｅｒ鉴别准则函数最佳鉴别变换有着重大的影响。该文首先对Ｆｏｌｅｙ－Ｓａｍｍｏｎ最佳鉴别变换,广义最佳鉴别变换与具有不相关性的最佳鉴别变换给出了形式相似的求解公式,然后根据Ｆｕｋｕｎａｇａ维数定理,提出了最佳鉴别变换的有效度的概念,最后利用国际上广泛使用的Ｃｏｎｃｏｒｄｉａ Ｕｎｉｖｅｒｓｉｔｙ ＣＥＮＰＡＲＭＩ手写体数字数据库做了最佳鉴别变换的有效性实验,实验结果表明     

基于奇异值特征和统计模型的人像识别算法

人像识别是模式识别领域中的一个前沿课题。目前多数研究者采用人脸的一维和二维几何特征来完成识别任务。人脸的几何特征抽取以及这些特性的有效性都面临着很多问题，至今人像识别的研究仍然处于较低的水平。作者证明了图象矩阵的奇异值特征矢量具备了代数上和几何上的不变性以及稳定性，提出用它作为识别人脸的代数特征。本文的人像识别算法是基于奇异值特征矢量建立Ｓａｍｍｏｎ最佳鉴别平面上的正态Ｂａｙｅｓ分类模型。在本文的     

描述台风云图表面纹理结构的新模型

以ＧＭＳ红外卫星云图为对象，采用ＳＡＲ（ＳｉｍｕｌｔａｎｅｏｕｓＡｕｔｏＲｅｇｒｅｓｓｉｖｅ）随机场纹理模型，抽取不同邻域下云图的纹理特征（ρ－粗糙度，θ－方向）确定了最佳邻域，运用分形（Ｆｒａｃｔａｌ）理论，求取了描述云图自相似性特点的多种分数维，确定了最佳分数维，在上述研究工作的基础上，建立了全新的纹理识别模型ＳＡＲＦ，研究结果表明，ＳＡＲＦ模型不仅能全方位地表征云图的纹理特征，而且具有分类精     

具有统计不相关性的最佳鉴别特征空间的维数定理

提出并严格证明了具有统计不相关性的最佳鉴别特征空间的维数定理：对含有L个类别的模式识别问题，具有统计不相关性的最佳鉴别特征空间的维数为（L－1）：说明了具有统计不相关性的最佳鉴别变的与Wilks所提出的经典的模式特征抽取方法的关系。在一定的条件下，具有统计不相害性的最佳鉴别矢量集等价于Wilks所提出的经典鉴别矢量集。经典的模式特征抽取方法可以用来在不损失任何Fisher鉴别信息的意义下，对含有L个类别的模式识别问题。抽取（L－1）个具有统计不相关性的最佳鉴别特征。     

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。     

无监督模式下统计不相关最佳鉴别平面

统计不相关最佳鉴别平面是一种重要的特征抽取方法,在模式识别领域中具有广泛的应用。然而,统计不相关最佳鉴别平面是基于Fisher准则和总体散布矩阵共轭正交条件的,需要通过样本类别信息计算Fisher最佳鉴别矢量,因而只能用于有监督模式。提出了一种将统计不相关最佳鉴别平面扩展到无监督模式下的方法,其基本思想是将模糊概念引入Fisher线性判别分析,通过对模糊Fisher准则的优化,在无监督模式下计算出最佳鉴别矢量及模糊散布矩阵,再根据共轭正交约束条件,求得第二条最佳鉴别矢量,进而获得一种基于无监督统计不相关最佳鉴别平面的特征抽取方法。对UCI数据集及CMU-PIE人脸数据库进行实验,结果表明,在样本类别信息缺失的情况下,该方法尽管无法具有与有监督模式下的统计不相关最佳鉴别平面特征抽取方法同样的性能,但当类别差异较大时,能够抽取有利于分类的统计不相关特征,获得优于主成分分析与独立成分分析等常见无监督特征抽取方法的性能。     

基于无监督最佳鉴别平面的人脸识别*

最佳鉴别平面作为一种重要的特征抽取方法,在人脸特征降维中具有重要的影响。然而,传统的最佳鉴别平面是基于Fisher准则的,只能用于有监督模式。为此,提出了一种将最佳鉴别平面扩展到无监督模式下的方法,其基本思想是以投影空间中模糊类间离散度和模糊类内离散度的比值最大为优化目标,计算出无监督模式下最佳鉴别矢量及模糊离散度矩阵,进而获得一种新的基于无监督最佳鉴别平面的特征抽取方法。较之同属于无监督特征抽取的主成分分析,该方法更容易获得有利于分类的特征。对CMU-PIE人脸数据库进行实验,结果表明,在样本类别信息缺失的情况下,该方法尽管无法具有与有监督模式下的最佳鉴别平面特征抽取方法同样的性能,但当不同类之间差异较大时,将优于主成分分析方法。     

求解任意样本集的综合鉴别函数的两步伪逆法

求解任意样本集的综合鉴别函数的两步伪逆法陈自宽（南开大学现代化学研究所）ＦＩＮＤＩＮＧＴＨＥＳＤＦＦＯＲＡＮＹＳＡＭＰＬＥＳＥＴＢＹＭＥＡＮＳＯＦＴＷＯ－ＳＴＥＰＰＳＥＵＤＯＩＮＶＥＲＳＥ￥ＣｈｅｎＺｉｋｕａｎ（ＩｎｓｔｉｔｕｔｅｏｆＭｏｄｅｒｎＯｐ...     

正交约束的无监督统计不相关最佳鉴别平面

赵海涛等提出的改进的最佳鉴别平面(IODP)只能用于有监督模式,基于此,本文提出将IODP扩展到无监督模式下的方法。在优化模糊Fisher准则求取第一条最佳鉴别矢量的基础上,求取同时满足正交约束与模糊总体散布矩阵共轭正交约束的第二条最佳鉴别矢量,构成正交约束的无监督统计不相关最佳鉴别平面(OUUODP),进而获得一种新的无监督特征抽取方法。对CMU-PIE人脸数据库进行实验,结果表明,当类别差异较大时,该方法能够抽取有利于分类的特征,获得了优于主成分分析与独立成分分析方法的性能。     

广义DKL变换及其在人脸识别中的应用研究

1 引言在模式识别领域中,Fisher线性判别方法有着重大的影响,其基本思想是在Fisher鉴别准则函数取极值的条件下,求得一个最佳鉴别方向,然后再将模式高维特征向量投影到该最佳鉴别方向上,构成一维鉴别特征空间,于是模式鉴别分析就在一维空间中进行。 Foley和Sammon在1970年发展了Fisher线性判别方法,提出了Sammon最佳鉴别平面的技术,并将它用于解决两类问题。Sammon最佳鉴别平面的技术在模式识别领域     

一种具有统计不相关性的广义最优判别向量集

提出了一种新的最优判别向量集即统计不相关广义最优判别向量集 ,并给出了计算公式。用ORL人脸数据库进行人脸识别实验 ,结果表明该方法有较强的特征提取能力。     

一种改进的基于Fisher准则的线性特征提取方法

针对现有的基于Fisher准则的线性特征提取方法存在的不足,提出了一种新的改进的Fisher特征提取方法.通过重新定义类内散度矩阵与类间散度矩阵,削弱了边缘样本与边缘类别的影响,提高了准则模型的准确性,进而提高了判别矢量的特征提取能力.同时,也给出了一种实用的求解具有统计不相关的最优判别矢量集的方法,实验结果表明,算法得到的最优判别矢量具有更好的特征提取能力.     

一种新的基于最大散度差准则的特征抽取方法

本文基于最大散度差准则（MSDC），利用统计不相关投影空间，提出了一组具有统计不相关性的最佳鉴别矢量的计算方法。该方法的目标是寻求一组鉴别矢量集，既要使投影后的特征空间的类间散度最大，而类内散度最小；又要使最佳鉴别矢量之间具有统计不相关性。另外，本文还揭示了最大散度差鉴别准则与Fisher准则的内在关系。在ORL与NUST603人脸库上的实验结果表明，本文所提出的方法在识别性能上优于原MSDC特征抽取方法与传统的PCA方法。     

具有统计不相关性的广义图像投影鉴别分析

提出了一种新的图像投影鉴别分析方法。首先，与Liu投影鉴别分析方法相比，具有能够消除投影特征分量之间相关性的优点。其次，该方法从整体上考虑投影集的可分性。即样本在图像最佳鉴别矢量上的投影集从整体上具有最佳的可分性。另外，所提出的方法是直接基于图像矩阵的，与以往的基于图像向量的鉴别方法相比，它的突出优点是大大地提高了特征抽取的速度。最后，在0RL标准人脸库上的试验结果表明，所提出的图像投影鉴剐分析方法较Liu的方法在识别性能上有了较大幅度的提高，在普通的分类器下达到95％识别率。该识别率明显优于颇有影响的Fisher-faces方法，其特征抽取的速度提高了近19。68倍。     

基于正交化的无监督鉴别投影映射（UDP）特征提取的人脸识别方法

基于UDP（Unsupervised Discriminant Projection）特征提取方法的研究,本文提出改进算法：基于正交化的UDP算法。正交化的UDP算法是基于样本的局部散度、非局部散度及正交化的条件建立准则函数。准则的目的是在满足共轭正交条件下,寻求一组投影轴使得投影后的样本特征的非局部散度最大,局部散度最小。通过在YALE库和AR库人脸库上进行实验,结果表明本文提出的正交化的UDP算法在识别率方面整体上要好于UDP算法。     

模糊非相关判别转换及其应用

线性判别分析是一种特征提取和维数缩减的方法,广泛应用于人脸识别,语音识别和手写字母识别等领域。但是许多线性判别分析都是“硬”线性判别分析,每个数据点都严格地属于这一类或那一类。在非相关判别转换(UDT)基础上,提出了模糊非相关判别转换(FUDT)。FUDT是利用模糊集理论的有监督学习方法,其判别向量满足广义瑞利商方程,同时也满足样本到模糊非相关优化判别向量上的投影是非相关的。通过FUDT和UDT对公共数据库MSTAR的实验结果可看出,FUDT在处理SAR图像的特征提取方面优于UDT。