一种核正交鉴别保局投影算法

 正交鉴别保局投影算法是一种有效的特征提取方法,但是将其应用在人脸识别中将遇到小样本问题,并且算法只是一种线性的特征提取方法,因此提出一种核保局正交鉴别投影算法。实现这一算法的关键是高维特征空间中总体散布矩阵的非零空间的计算,对此根据eigenfaces中将高阶矩阵计算转化成低阶矩阵计算的思想及核函数技术,将高维特征空间中总体散布矩阵的非零空间的计算仍归结为标准的特征值分解问题,并且所提出的算法能够有效地解决小样本问题。在人脸库上的实验结果验证了所提出的算法是可行的和有效的。     

核不相关辨别子空间雷达目标一维像识别

针对不相关辨别分析方法在目标类别数较多时计算量大,且可能面临散度矩阵奇异的问题,提出了一种核不相关辨别子空间算法,并将其用于雷达目标一维距离像识别。新算法继承了原方法提取目标统计不相关辨别特征的优点,同时利用核机器学习理论与广义奇异值分解,有效解决了计算量与矩阵奇异的问题,并进一步改善了目标的类可分性。对ISAR实测飞机数据进行了分类,并与几种经典核非线性方法进行了比较,结果表明所提方法的识别性能得到了明显改善。     

基于二维判别典型相关分析的人脸识别算法

本文提出了一种新的基于典型相关分析的人脸识别算法,叫做二维判别典型相关分析(2D-DCCA).该算法将2阶张量的概念引入了典型相关分析方法中.传统的典型相关分析方法中,样本是用高维的向量表示的,不仅计算量大,而且常常出现内存不足,协方差矩阵有奇异性等问题.本文算法不仅将样本的向量表达改为矩阵表达,并且充分利用样本的类内和类间信息来优化目标函数,从而使得该算法获得了诸多优点:首先,使得学习出的子空间维数降低,从而计算量和计算时间都大大减少;其次,有效地避免了协方差矩阵的奇异性问题;最后,由于目标函数的优化利用了样本的类信息,从而更有利于最邻近分类器进行判别.实验表明,在人脸角度变化时,该方法具有稳定的识别性能.     

直接正交鉴别保局投影算法

针对保局投影(LPP)及其衍生出的算法在人脸识别时须先采用主成分分析(PCA)算法对高维样本降维后才能应用,本文基于正交鉴别保局投影(ODLPP,orthogonal discriminal locality pre-serving projection)算法,提出了一种直接ODLPP(DODLPP)算法,利用拉普拉斯矩阵性质进行了相应的矩阵分解,可直接从高维样本的原始空间中提取投影矩阵。为解决ODLPP算法的小样本问题,给出先求解局部类内散度矩阵的零空间,然后再最大化类间散度矩阵的求解思路。人脸库上的实验结果表明所提算法的有效性。     

基于GSVD的核不相关辨别子空间与雷达目标识别

该文提出了一种基于广义奇异值分解的核不相关辨别子空间算法,并将其用于高分辨距离像雷达目标识别。新算法结合广义奇异值分解与核方法的优点,有效地解决了传统方法面临的矩阵奇异问题,同时进一步改善了目标的类可分性。其次,依据Fisher准则导出了距离像总散度矩阵零空间中不含有有用辨别信息的结论。利用这一结论,可以在求解核不相关最优辨别矢量之前对各散度矩阵进行预降维,以减小后续运算的计算复杂度。对3类飞机目标实测数据的识别结果表明了所提方法的有效性。     

基于空间平滑的矩阵分解算法

本文研究了协方差矩阵分解算法解相关的问题,提出了一种修正的矩阵分解算法-基于空间平滑的矩阵分解（SSMD）算法。SMMD算法能在低信噪比条件下的估计相干信源,且估计精度比原修正的算法高,计算量比原修正算法小,最后通过大量的计算机仿真实验来说明矩阵修正算法的性能。     

无参数直接正交判别局部差异投影分析算法

针对有监督局部结构和差异投影(SLSDP,supervise d local structure and diversity projection)的特征提取算法在构造差异系数 时没有利用样本类别信息且 其性能易受参数设置影响的问题,提出一种无参数直接正交判别局部差异投影分析(PFDODLD PA,parameter-free direct orthogonal discriminant local diversity projection ana lysis)算法。算法采用样本的余弦距离构造权值,能够动态获取样本的近邻点因而无需参数 设置,同时其差异权值计算公式采用了样本的类别信息,因此是 一种有监督的特征提取算法。对于算法的求解,为了解决小样本问题,给出了一种直接求解 的计算方法,利用 拉普拉斯矩阵的性质进行了相应的矩阵分解,可直接从高维样本的原始空间中求出正交投影 矩阵。在ORL和AR人脸 库上的实验结果表明,所提方法比原算法明显有效,最好识别率可分别提高2.3%和1.31%,说明所提方法是可行的。     

一种计算有效的Nystrom特征子空间匹配主用户频谱感知新算法

针对核（kernel）空间下主用户频谱感知算法存在的计算任务繁重这一共性问题,提出一种低计算复杂度的Nystrom特征子空间匹配（NSM）新算法.该算法依据数据样本维的独立同分布特性随机地选择数据子集.在高维核空间下应用Nystrom近似获得主特征向量,用以分别构建主用户特征信号与次用户接收信号的Nystrom特征子空间.以此为基础计算相应的Frobenius距离,实现主用户检测.计算机仿真结果表明：与代表性的核空间下主用户频谱感知算法相比,所提算法在保证检测性能较为理想的前提下,可将相应的计算复杂度降低近66%.     

一种DOA估计的快速子空间算法

MUSIC算法是一种属于特征结构的子空间超分辨方法，该算法性能优良，但需要估计协方差矩阵并对其进行特征分解，运算量大，很费计算时间。本文对波这方向估计问题进行了研究并提出了一种采取降维处理的快速子空间算法，该算法利用阵列协方差矩阵的一个子矩阵快速得到信号子空问，无需特征分解，且无需估计整个协方差矩阵，只需估计该子矩阵，故快速算法运算复杂度远低于MUSlC算法，而性能损失并不太大。理论分析和计算机仿真结果表明此方法是有效的。     

基于散布矩阵分析的相关反馈算法及应用

相关反馈技术是一种较常用的提高信息检索精度的方法.在图像检索领域,相关反馈技术被认为是解决图像高层语义内容和低层视觉特征之间差异的一种有效方法.视觉特征的权值调整是一类应用较多的相关反馈技术,权值调整方法中存在矩阵奇异问题,本文提出了一种新的基于散布矩阵分析的相关反馈算法,解决了矩阵奇异问题.该方法通过分析与检索目标相关图像在特征空间中的散布来构造目标图像类的投影空间,该空间对应于一个高层语义类在特征空间中分布密集的子空间,在投影空间中计算相似图像;同时根据每次反馈的信息不断修正投影空间来提高系统的检索性能.在Cord图像数据库中的实验结果表明该算法具有良好的检索性能.     

改进的统计不相关最优鉴别矢量集

该文对统计不相关最优鉴别矢量集算法进行研究,在分析统计不相关最优鉴别矢量集算法的基础上提出了一种改进的方法。该方法在类内散布矩阵的特征空间中求解统计不相关最优鉴别矢量集。为了加快特征抽取速度,利用基于图像鉴别分析的维数压缩方法,对图像数据进行了压缩。在ORL和Yale人脸数据库的数值实验,验证本文所提出的方法的有效性。     

基于DCT的改进零空间人脸识别算法

线性判别分析(LDA)是一种较为普遍的线性特征提取方法,它的主要缺点是在应用时经常遇到小样本问题,同时其准则函数并不与识别率直接相关。该文提出一种基于DCT的改进零空间LDA方法,能够解决以上两个问题。首先,通过使用DCT代替像素聚类并重新定义类间散布矩阵,得到一种新的零空间法。然后将这种方法与F-LDA结合起来得到一种新的对人脸识别更有效的特征提取方法,实验证明这种方法能得到较好的识别率。     

基于增殖系数的混沌信号提取算法

本文提出一种基于混沌信号特性的信号盲提取算法,由于不同的混沌信号在相空间里面对应着不同的吸引子二阶增长率,利用这个特点定义了增殖系数（Proliferation Exponent,PE）并将其作为混沌信号提取的目标函数.首先分析基于增殖系数的梯度搜索方法在解决盲提取问题时存在不足,并将混沌信号的盲提取问题转化为带约束的优化问题,提出利用改进的粒子群优化算法解决信号盲提取的优化问题,通过惯性系数动态调整和最优位置的扰动,提高算法的寻优性能.实验结果表明基于增殖系数的信号提取算法能有效地提取混沌信号,提取的信号在时域和相空间与源信号接近,同时算法也表现出对噪声污染的鲁棒性.     

Optimizing feature extraction for multiclass problems

Feature extraction has been an important research topic in pattern classification and has been studied extensively by many researchers. Most of the conventional feature extraction methods are performed using a criterion function defined between two classes or a global function. Although these methods work relatively well in most cases, it is generally not optimal in any sense for multiclass problems. In order to address this problem, the authors propose a method to optimize feature extraction for multiclass problems. The authors first investigate the distribution of classification accuracies of multiclass problems in the feature space and find that there exist much better feature sets that the conventional feature extraction algorithms fail to find. Then the authors propose an algorithm that finds such features. Experiments with remotely sensed data show that the proposed algorithm consistently provides better performances compared with the conventional feature extraction algorithms     

基于CSLBP模糊图像特征提取与检测方法研究

图像作为记录生活和储存信息的重要途径之一,是人对视觉感知的物质的一种再现,同时也是对现实场景的一种真实写照.面对海量的图像数据,如何准确高效的提取图像特征,获取有用信息,将信息转化为所需特征,是需要解决的问题.针对这一问题,本文提出的基于CSLBP模糊图像特征提取与检测方法很好的解决了这一问题.同时结合HOG特征提取与...     

基于正则化零空间鉴别分析的人脸识别

提取有效的特征对高维数据的模式分类起着关键 作用,针对现有故障特征维数过高的问题,本文提 出了一种基于正则化零空间线性鉴别分析(Exponential Regularized Null Space Linear Discriminant Analysis, ERNSLDA)的特征提取方法。零空间线性判别分析已经在数据降维和特征提取上展现出良好 的性能,在 本文中,首先对类内样本矩阵进行正则化处理,避免小样本问题,其次对判别准则进行指数 化处理。所提 方法集成了NSLDA和RLDA在模式识别上的优势,有效地提高了人脸识别的精度,在ORL和YALE 数据库上的仿真实验证了本文所提方法的有效性。     

基于子空间对齐与自适应CSP算法的运动想象脑电信号分类

在脑机接口中,让分类器从一个用户适应到另一个用户是具有挑战性的,但对于减少新用户的训练时间是必要的.但由于每个个体的神经信号存在着差异,常用的特征提取方法训练的分类器,应用于不同的用户时,准确率很低.因此本文提出了一种新的自适应共空间模式的特征提取方法,该算法通过选择合适的候选试验更新协方差矩阵,然后对提取的特征进行子...     

Estimator learning automata for feature subset selection in high‐dimensional spaces,case study: Email spam detection

One of the difficult challenges facing data miners is that algorithm performance degrades if the feature space contains redundant or irrelevant features. Therefore, as a critical preprocess task, dimension reduction is used to build a smaller space containing valuable features. There are 2 different approaches for dimension reduction: feature extraction and feature selection, which itself is divided into wrapper and filter approaches. In high‐dimensional spaces, feature extraction and wrapper approaches are not applicable due to the time complexity. On the other hand, the filter approach suffers from inaccuracy. One main reason for this inaccuracy is that the subset's size is not determined considering specifications of the problem. In this paper, we propose ESS (estimator learning automaton‐based subset selection) as a new method for feature selection in high‐dimensional spaces. The innovation of ESS is that it combines wrapper and filter ideas and uses estimator learning automata to efficiently determine a feature subset that leads to a desirable tradeoff between the accuracy and efficiency of the learning algorithm. To find a qualified subset for a special processing algorithm that functions on an arbitrary dataset, ESS uses an automaton to score each candidate subset upon the scale of the subset and accuracy of the learning algorithm using it. In the end, the subset with the highest score is returned. We have used ESS for feature selection in the framework of spam detection, a text classification task for email as a pervasive communication medium. The results show achievement in reaching the goal stated above.     

遗传算法在半导体器件参数提取软件中的实现

随着半导体器件参数的增加,目标函数的自变量空间维数变得越来越大。传统的优化算法已经不能很好地处理此类问题,主要表现在无法有效地达到目标函数的极小点。文章首先在参数提取软件中实现了遗传算法,并与传统的优化算法进行了比较,探讨了该算法在参数提取软件中的实用性,提出了将遗传算法与传统优化算法结合在一起的方法。