超光谱遥感图像有监督LPP特征提取研究

在局部保留投影(LPP)特征提取算法的基础上,利用样本标签信息提出了一种有监督的局部保留投影算法(SPLPP),该算法的邻接图的权值不仅考虑了LPP算法中的相似性权值,而且加入了监督类的相关权值。SPLPP算法主要步骤是先用PCA去除高维超光谱遥感图像的冗余信息,再把监督机制引入到LPP中,实现图像的特征提取,将高维超光谱遥感图像投影到低维空间中,利于分类。应用SPLPP算法对高维的遥感原始超光谱图像进行特征提取后,利用支持向量机(SVM)和最近邻分类器(KNN)对降维后的遥感图像数据进行分类;并与PCA、LPP、LDA等特征提取算法进行了比较实验。实验表明:结合了LPP局部信息保留能力和全域标签信息的SPLPP算法,有更好的局部信息保留能力和类判别能力,使分类器分类精度更高,分类效果更好。     

基于局部和全局的特征提取算法及在人脸识别中的应用

提出了一种基于局部和全局特征的特征提取算法.该算法不仅能保持数据集的局部性,同时也考虑了数据集的全局性,使得降维后的数据既能保持邻近关系,又能从整体上较好地重构和展现.PCAO能较好地展现原数据集,LPP能保持局部邻近关系,算法结合了这两个算法的思想,但由于LPP没有考虑类别信息,故先对LPP进行改进,给出了一种有监督的局部保持投影算法,使得提出的算法能更加有利于分类问题.通过人脸识别实验,验证了算法的正确性和有效性.     

基于自适应最近邻的局部保持投影算法

局部保持投影（LPP）是一种新的数据降维技术,但其本身是一种非监督学习算法,对于分类问题效果不是太好。基于自适应最近邻,结合LPP算法,提出了一种有监督的局部保持投影算法（ANNLPP）。该方法通过修改LPP算法中的权值矩阵,在降维的同时,增加了类别信息,是一种有监督学习算法。通过二维数据可视化和UMIST、ORL 人脸识别实验,表明该方法对于分类问题具有较好的降维效果。     

基于QR分解的扩展监督局部保留映射

针对局部保留映射(LPP)算法不能提供数据集的差异信息问题,提出一种基于QR分解的扩展有监督LPP算法。该方法对训练数据矩阵进行QR分解,采用有监督的LPP算法进行降维,利用类别信息对降维后的数据进行Fisher线性判别式分析,得到最终的映射矩阵以提高判别性能。实验结果表明,该方法较主成分分析法和LPP方法有更好的判别性能。     

一种基于局部保形映射(LPP)的相关反馈方法

目前图像检索通常采用高效的图像降维算法和适当的相关反馈技术来提高检索的效率。局部保形映射(LPP)算法是保留图像本质特征的一种有效的线性降维算法。本文在LPP算法的基础上引入相关反馈技术,进一步提高了检索准确度。利用LPP算法得到降维子空间,在子空间上得出查询数据的k-近邻构成候选数据集,并与查询数据集构建一个权图G,通过弗洛伊德算法求得图G中任意两个数据点之间的测地线距离并排序进而得出反馈结果。实验表明,该算法提高了检索的准确度,并使检索结果得到一定的优化。     

基于LPP的工业过程故障检测

针对传统的降维算法在降维过程中存在着丢失数据的局部邻域信息的问题,一种基于局部保持投影(LPP)用于工业工程数据检测的方法被应用。LPP算法的思想是通过构造数据样本点之间的亲疏关系,并且在投影降维的同时保留数据样本点的这种局部邻域结构,从而保留数据的局部信息。论文将LPP算法与传统的降维算法-主元分析法(P CA)在田纳西-伊斯曼过程(T EP)仿真系统上进行检测对比,结果表明,LPP算法具有更加优越的检测性能。     

改进的线性局部切空间排列算法

线性局部切空间排列算法（LLTSA）是一种能很好的适用于识别问题的非线性降维方法,但LLTSA仅仅关注了数据的局部几何结构,而没有体现数据的整体信息。本文提出了一种基于主成分分析（PCA）改进的线性局部切空间排列算法（P-LLTSA）,该算法在Linear-LTSA的基础上,考虑了样本的全局结构,进而得到更好的降维效果。在经典的三维流形和在MNIST图像库手写体识别的实验中,识别率较PCA、LPP,LLTSA有明显提高,证实了该算法在识别问题中的有效性。     

降维方法在人脸图像识别中的分析与评估

为了提高人脸图像识别的速度和准确率,将多元统计分析中的降维方法引入到人脸图像识别系统中,分析并对比了主成分分析法（PCA）线性判别分析法（LDA）和局部保留投影（LPP）三种方法用于人脸图像识别的效果,采用YaIe B作为识别的样本和测试库,在光照条件和姿态变化条件下对三种算法进行了比较实验。实验结果表明,三种方法对人脸图像识别均能够达到一定效果,在姿态变化条件下,LDA和LPP均优于PCA,但三种方法对于光照变化均不能保持很好的鲁棒性。     

基于2DPCA和流形学习LPP算法的人脸特征提取应用

人脸图像的特征提取是人脸识别系统中最关键同时也是难题之一。流形学习算法是近些年的人脸识别和语音识别两个领域应用较多的非线性降维方法。通过对人脸识别系统的研究,现提出一种全新的基于2DPCA(Two-Dimentional PCA)和流形学习LPP(Locality Preserving Projections)算法的特征提取方法,可为今后深入研究人脸识别技术提供较好的参考。仿真实验表明,该算法与传统特征提取PCA、LDA算法相比,可以取得更好的识别率。     

基于2DPCA和流形学习LPP算法的人脸特征提取应用

人脸图像的特征提取是人脸识别系统中最关键同时也是难题之一。流形学习算法是近些年的人脸识别和语音识别两个领域应用较多的非线性降维方法。通过对人脸识别系统的研究,现提出一种全新的基于2DPCA（Two-Dimentional PCA）和流形学习LPP（Locality Preserving Projections）算法的特征提取方法,可为今后深入研究人脸识别技术提供较好的参考。仿真实验表明,该算法与传统特征提取PCA、LDA算法相比,可以取得更好的识别率。     

完备鉴别保局投影人脸识别算法

为了充分利用保局总体散布主元空间内的鉴别信息进行人脸识别,提出了一种完备鉴别保局投影(complete discriminant locality preserving projections,简称CDLPP)人脸识别算法.鉴于Fisher鉴别分析和保局投影已经被广泛的应用于人脸识别,完备鉴别保局投影(locality preserving projections,简称LPP)算法将这两者结合起来,分析了保局类内散布、类间散布和总体散布的主元空间和零空间内包含的鉴别信息.该算法采用奇异值分解(singular value decomposition,简称SVD),去除了不含任何鉴别信息的保局总体散布的零空间;分别在保局类内散布的主元空间和零空间提取规则鉴别特征和不规则鉴别特征;用串联的方式在特征层融合规则鉴别特征和不规则鉴别特征形成完备的鉴别特征进行人脸识别.在ORL库、FERET子库和PIE子库上的大量识别实验充分表明了完备鉴别保局投影算法的性能优于线性鉴别分析、保局投影和鉴别保局投影等现有的子空间人脸识别算法,验证了算法的有 效性.     

改进的2DPCA人脸识别算法

在对2DPCA人脸识别方法研究的基础上,提出一种改进的2DPCA人脸识别算法,该算法对训练集进行两次2DPCA特征提取,以此重建散布矩阵,从而大大降低特征矩阵的存储空间.并在标准Yale与ORL人脸识别数据库上进行对比实验,改进的2DPCA人脸算法能有效改善识别性能,优于传统的2DPCA方法.最后,再通过和PCA,LD...     

基于压缩传感的邻域嵌入

基于谱流形学习算法的一个核心问题是局部邻域的构建,可通过KNN或ε准则构建局部邻域。受压缩传感理论的启发,提出一种基于l₂和l₁范数重构准则的邻域构建模式,称之为基于压缩传感的邻域嵌入(CSNE)。在此基础上,利用无标签数据,提出半监督的CSNE。在多个数据集上的可视化和半监督分类实验,证明该算法的有效性。     

A Direct Locality Preserving Projections (DLPP) Algorithm for Image Recognition

This paper proposes a novel locality preserving projections (LPP) algorithm for image recognition, namely, the direct locality preserving projections (DLPP), which directly optimizes locality preserving criterion on high-dimensional raw images data via simultaneous diagonalization, without any dimensionality reduction preprocessing. Our algorithm is a direct and complete implementation of LPP. Experimental results on the PolyU palmprint database and ORL face database show the effectiveness of the proposed algorithm.     

基于大间距准则的不相关保局投影分析

局部保持投影(Locality preserving projections,LPP)算法只保持了目标在投影后的邻域局部信息,为了更好地刻画数据的流形结构, 引入了类内和类间局部散度矩阵,给出了一种基于有效且稳定的大间距准则(Maximum margin criterion,MMC)的不相关保局投影分析方法.该方法在最大化散度矩阵迹差时,引入尺度因子α,对类内和类间局部散度矩阵进行加权,以便找到更适合分类的子空间并且可避免小样本问题; 更重要的是,大间距准则下提取的判别特征集一般情况下是统计相关的,造成了特征信息的冗余, 因此,通过增加一个不相关约束条件,利用推导出的公式提取不相关判别特征集, 这样做, 对正确识别更为有利.在Yale人脸库、PIE人脸库和MNIST手写数字库上的测试结果表明,本文方法有效且稳定, 与LPP、LDA (Linear discriminant analysis)和LPMIP(Locality-preserved maximum information projection)方法等相比,具有更高的正确识别率.     

一种有监督的线性降维人脸识别算法

保局投影（LPP）忽略了数据的类别标记信息且鲁棒性较差,为此,提出一种线性判别投影（LDP）算法。引入类问权重矩阵和类内权重矩阵,使各流形间的分离性最大,局部子流形的内在紧致性最小,同时通过一种鲁棒的类内处理方式使算法对outlier数据具有鲁棒性。在ORL、AR和ExtendedYaleB人脸数据集上进行实验,结果表明,与PCA、LDA、LPP、LSDA和LPDP算法相比,该算法的最佳平均识别率较高,分别可达95．3％、93．64％和96．28％,证明了算法的有效性和可靠性。     

邻域保持判别非负矩阵分解

非负矩阵分解（NMF）是一种新的矩阵分解技术,为了提高NMF算法的识别率,提出了一种新的方法——邻域保持判别非负矩阵分解（NPDNMF）,该方法通过将邻域保持判别分析（NPDA）与NMF相结合来实现。邻域保持判别分析是一个将线性判别分析（LDA）与局部保持投影（LPP）综合考虑的判别分析方法,该算法既保持了LDA的判别能力,同时又可以保持原始数据的几何结构。通过将NPDA与NMF相结合,提取得到局部化同时又有很强判别能力的基图像。在ORL人脸数据库上进行人脸识别实验,结果表明该方法得到较好的识别效果。     

基于改进的局部保持投影算法的人脸识别

局部保持投影算法是基于流形的学习方法,在人脸识别过程中容易遇到奇异值问题,为此提出一种利用奇异值分解的方法。在模型中,样本数据被投影到一个非奇异正交矩阵中,解决了奇异值问题;然后再根据局部保持投影算法求出新样本空间的低维投影子空间。将训练样本和测试样本分别投影到低维子空间中,再利用最近邻分类器进行分类识别。在ORL人脸数据库中,采用了一系列的实验来对比该算法与传统局部保持投影算法和主成分分析算法的识别效果。实验结果验证了改进的局部保持投影算法在人脸识别的有效性。