基于核Fisher判别分析的意识任务识别新方法

提出一种新的基于核Fisher判别分析的意识任务识别新方法。该方法首先通过核函数建立一个非线性映射,把原空间的样本点投影到一个高维特征空间,然后在特征空间应用线性Fisher判别。利用不同意识任务生成的脑电数据对KFDA和FDA进行比较,最后用线性支持向量机进行分类和识别,并与非线性支持向量机进行了比较,结果表明KFDA的识别率明显优于后二者。     

基于核方法的雷达目标一维距离像识别

由于雷达目标及其所处环境的复杂性,导致不同目标之间的关系往往是非线性的.研究基于核的非线性方法,并将其应用于雷达目标一维距离像识别.核Fisher判别分析(KFDA)是一种抽取非线性特征的最有效方法之一,但它往往会面临小样本问题.针对此问题,给出一种null-KFDA方法,对距离像进行特征提取.然后,采用一种新的核非线性分类器——KNR(kernel-based nonlinear representor),对所提取的特征进行分类.对3种飞机的实测距离像进行实验,结果验证了null-KFDA的有效性.此外,与非线性支持向量机(SVM)和径向基函数神经网络(RBFNN)相比,KNR分类器具有更优的识别性能.     

基于KICA-KFDA的集成故障识别算法

针对复杂的化工过程,提高过程监控能力,提出基于核独立成分分析（kernel independent component analysis,KICA）和核Fisher判别分析（kernel fisher discriminant analysis,KFDA）的过程监测与故障识别方法。通过利用核独立成分分析建立正常工况模型,得到检测故障信息。在发生故障的情况下,利用Fisher判别分析方法在高维的特征空间的特点和优势,可求出满足最大分离程度的核Fisher判别向量和特征向量,根据当前故障的判别向量和历史故障数据集中所含故障的最优核Fisher判别向量的相似度进行故障识别。仿真结果验证了所提方法的有效性。     

一种用于人脸识别的非线性鉴别特征融合方法

最近，在人脸等图像识别领域，用于抽取非线性特征的核方法如核Fisher鉴别分析(KFDA)已经取得成功并得到了广泛应用，但现有的核方法都存在这样的问题，即构造特征空间中的核矩阵所耗费的计算量非常大．而且，抽取得到的单类特征往往不能获得到令人满意的识别结果．提出了一种用于人脸识别的非线性鉴别特征融合方法，即首先利用小波变换和奇异值分解对原始输入样本进行降雏变换，抽取同一样本空间的两类特征，然后利用复向量将这两类特征组合在一起，构成一复特征向量空间，最后在该空间中进行最优鉴别特征抽取．在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核Fisher鉴别分析方法，而且，在ORL人脸库上的特征抽取速度提高了近8倍．     

非线性特征提取和LSSVM在化工过程故障诊断中应用

提出利用非线性特征提取（核主成分分析（KPCA）和核独立成分分析）消除数据的不相关性,降低维数。核主成分分析利用核函数把输入数据映射到特征空间,进行线性主成分分析计算提取特征;核独立成分分析在KPCA白化空间进行线性独立成分分析（ICA）变换提取独立成分。提取的特征作为最小二乘支持向量机分类器的输入,构建融合非线性特征提取和最小二乘支持向量机的智能故障分类方法。研究了该方法应用到某石化企业润滑油生产过程的故障诊断中的有效性和可行性。     

基于非线性支持向量机的原核生物基因识别

应用非线性最小二乘支持向量机对原核生物进行基因识别,通过寻找序列开放阅读框(ORF),并与可靠基因位点文件进行比较产生训练样本集,然后提取样本GC含量和Z曲线特征,并利用T检验方法检验各特征值所包含的信息量,设计出了非线性最小二乘支持向量机分类器识别基因.结果表明非线性最小二乘支持向量机的识别率比Fisher判别和线性支持向量机在不同的特征组合下分别提高了7.09%～29.97%和10.97%～25.45%,并且在特征值信息量较小的情况下非线性最小二乘支持向量机更能表现其优越性.     

核函数对v-支持向量机的泛化能力影响分析

支持向量机在模式分类中得到了很好的应用。对于线性不可分的样本空间，需要寻找核函数，将线性不可分的样本集映射到另一个高维线性空间。支持向量机的泛化能力直接影响其实际应用效果。本文讨论了v-支持向量机的泛化能力的一个估计，定性分析了核函数对v-支持向量机的泛化能力的影响，并就高斯核函数对v-支持向量机的泛化能力的
的影响进行了具体分析。     

基于核Fisher判别分析的蛋白质氧链糖基化位点的预测

以各种窗口长度的蛋白质样本序列为研究对象,实验样本用稀疏编码方式编码,使用核Fisher判别分析(KFDA)的方法来预测蛋白质氧链糖基化位点。首先通过非线性映射(由核函数隐含定义)将样本映射到特征空间,然后在特征空间中用Fisher判别分析进行分类。进一步,用多数投票策略对各种窗口下的分类器进行组合以综合多个窗口的优势。实验结果表明,使用组合KFDA的方法预测的效果优于FDA和PCA以及单个KFDA分类器的预测效果,预测准确率为86.5%。     

基于核Fisher判决分析的高性能多类分类算法

探讨了核Fisher判决分析算法(KernelFisherDiscriminantAnalysis,KFDA),并提出了一种基于KFDA的高性能多类分类算法。在进行多类分类时,首先通过一个非线性映射将训练样本映射到一个高维的核空间中,建立一个KFDA子空间,在该高维空间中,不同类别的样本之间的差异增大,同类样本聚集在一起,因此,在这个高维核空间中,就可以利用简单的最近邻法进行多类分类。实验结果表明,该算法在保证分类精度的条件下提高了分类器的训练和分类的速度。     

基于核主分量分析的脸谱识别方法

此文提出了一种新的脸谱识别方法--基于核主分量分析(KPCA)的脸谱识别方法.首先利用KPCA方法提取脸谱图象的特征,然后利用线性支持向量机进行识别.KPCA的基本思想就是首先经过一个非线性映射,将输入空间的数据映射到一个高维的特征空间中,以求数据在特征空间中线性可分(或近似线性可分),然后在特征空间中进行标准的PCA提取主元,作为特征向量.同时,我们将脸谱识别的经典方法主分量分析(PCA)(特征脸方法)和最近提出的独立分量分析(ICA)脸谱识别方法与新方法进行了比较,并利用ORL脸谱库进行实验,实验结果显示,新的方法具有较高的识别率.