基于样本特征核矩阵的稀疏双线性回归

在许多实际应用中出现了大量的冗余数据,这些数据可能是高维的,这时进行回归预测将会出现过拟合的现象,并且还会出现预测精度偏低等问题.另外,大多数回归方法都是基于向量的,忽略了矩阵数据原始位置之间的关系.为此,文中提出了一种基于样本特征核矩阵的稀疏双线性回归(Kernel Matrix-based Sparse Bilinear Regression,KMSBR)方法.该方法直接将数据矩阵作为输入,其是通过左右回归系数矩阵而建立的,利用样本的特征核矩阵和L2,1范数,能够同时实现对样本及样本特征的选择,且考虑了数据的原始位置,提高了算法的性能.在若干数据集上的实验结果表明,KMSBR能有效地选择相对重要的样本和特征,从而提高算法的运行效率,且其预测精度优于已有的几种回归模型.     

基于邻域图的低秩投影学习

特征提取算法通常只单独用到了数据的局部结构或者整体结构,这样将得不到全局最优投影矩阵,且投影矩阵不具备很好的可解释性。为此,提出了一种基于邻域图的低秩投影学习算法。该算法通过在数据的重构残差上施加图约束来保持数据的局部结构,同时引入低秩项来保持整体结构;算法利用L2,1范数行稀疏的性质对投影矩阵进行约束,这样可以剔除冗余特征,提高投影矩阵的可解释性;并且算法引入噪声稀疏项来减弱样本本身存在噪声的干扰。模型采用交替迭代方法求解,在多个数据集上的实验结果表明该算法能有效地提高分类精度。     

自步稀疏最优均值主成分分析

主成分分析(PCA)是一种无监督降维方法。然而现有的方法没有考虑样本的差异性,且不能联合地提取样本的重要信息,从而影响了方法的性能。针对以上问题,提出自步稀疏最优均值主成分分析方法。模型以 $ {{L}_{{2,1}}}$ 范数定义损失函数,同时用 $ {L_{{\rm{2,1}}}}$ 范数约束投影矩阵作为正则化项,且将均值作为在迭代中优化的变量,这样可一致地选择重要特征,提高方法对异常值的鲁棒性;考虑到训练样本的差异性,利用自步学习机制实现训练样本由“简单”到“复杂”的学习过程,有效地降低异常值的影响。理论分析和实验结果表明,以上方法能更有效地降低异常值对分类精度的影响,提高分类精度。     

一种新的有监督的局部保持典型相关分析算法

从模式识别的角度出发,在局部保持典型相关分析的基础上,提出一种有监督的局部保持典型相关分析算法(SALPCCA)。该方法在构造样本近邻图时将样本的类别信息考虑在内,由样本间的距离度量确定权重,建立样本间的多重权重相关,通过使同类内的成对样本及其近邻间的权重相关性最大,从而能够在利用样本的类别信息的同时,也能保持数据的局部结构信息。此外,为了能够更好地提取样本的非线性信息,将特征集映射到核特征空间,又提出一种核化的SALPCCA(KSALPCCA)算法。在ORL、Yale、AR等人脸数据库上的实验结果表明,该方法较其他的传统典型相关分析方法有着更好的识别效果。     

改进的支持向量机分类算法

在研究了标准SVM分类算法后,本文提出了一种快速的支持向量机分类方法.该方法通过解决两类相关的SVM问题,找到两个非平行的平面,其中每个平面靠近其相应的类样本点,远离另一类样本点,最后通过这两个平面找到一个将两类样本分开的最优平面.在处理非线性情况下,引入一种快速核函数分类方法.使用该算法可以使分类的速度得到很大提高,针对实际数据集的实验表明了该算法的有效性.     

分块二维保局投影方法及其在人脸识别中的应用

提出了一种基于图像分块的二维保局投影(分块2DLPP)的人脸识别方法.先对原始图像矩阵进行分块,然后对分块子图像施行2DLPP方法,再将各个分块按照一定的次序整合起来进行特征提取,从而实现图像降维.该方法能有效地提取图像的局部特征.实验表明:该方法在识别性能上优于2DLPP方法.     

基于混沌加密和SVD的数字图像水印算法

为提高传统数字图像水印算法的安全性,提出一种基于混沌加密和奇异值分解的水印算法.采用Chebyshev混沌映射产生的混沌序列加密水印图像,将加密后的水印图像与原始图像进行分块,再对每一块进行奇异值分解,从而实现水印的嵌入.仿真实验结果证明,该算法对JPEG压缩、高斯噪声、椒盐噪声、滤波等具有较高的鲁棒性,同时能较好地抵抗剪切攻击.     

检测识别跟踪分离的在线多样本视频目标跟踪

在视频目标跟踪中,经常出现“漂移”现象,且学习算法需要离线训练。为此,提出一种检测识别跟踪分离的在线多样本视频目标跟踪方法。利用多样本学习方法解决学习算法在更新过程中的内在不确定性,使用优于在线半监督的boosting方法解决“漂移”现象。实验结果表明,该方法鲁棒性较好,可以有效解决“漂移”现象,并能实时地完成在线跟踪。     

模块二维主成分分析——人脸识别新方法

提出了模块二维主成分分析(M2DPCA)线性鉴别分析方法。M2DPCA方法先对图像矩阵进行分块，对分块得到的子图像矩阵直接进行鉴别分析。其特点是：能有效地降低模式原始特征的维数；可以完全避免使用矩阵的奇异值分解，特征抽取方便；此外，2DPCA是M2DPCA的特例。在ORL人脸库上试验结果表明，M2DPCA方法在识别性能上优于PCA，比2DPCA更具有鲁棒性。     

基于真实能量衰减方程的水面特效模拟

针对现有水面特效模拟方法模拟常见三维场景中水面波动真实感较差的问题,提出了一种基于真实能量衰减Gerstner波模型的水面特效模拟方法.对Gerstner波的数学模型和参数进行了分析,通过对真实水波传播过程中能量损耗的研究,引入衰减因子α,建立崭新的振幅随时间衰减的方程,将此方程代入Gerstner波模型模拟水波;引入反射率与透明度以适应不同的环境与水体.实验结果表明,该模型可以呈现更加真实的水面波动效果.