基于多线性稀疏主成分的高光谱影像特征提取

高光谱影像特征提取有助于提高高光谱数据的应用效率和精度。针对基于向量的特征提取算法无法充分利用高光谱影像立方体空间结构信息这一缺点,本文提出在所有张量模式中执行稀疏降维的多线性稀疏主成分分析(MSPCA)算法,以中国嘉兴典型村庄和美国内华达州Curprite矿区高光谱影像为原始数据,运用主成分分析(PCA)、空间主成分分析(SPCA)和多线性判别分析(MPCA)3种特征提取方法对比分析所提算法特征提取后的分类精度。结果表明,利用MSPCA进行特征提取得到的分类精度均优于其他方法,在两个试验区的总体分类精度分别达到96.36%和95.00%。     

基于张量局部和全局信息的人脸识别算法

现有的基于张量子空间的流形学习算法能够很好地利用图像的空间几何结构,但对流形的局部和全局信息利用得不够充分,为此提出了一种新的张量子空间学习算法:基于局部和全局信息的张量子空间投影．新算法充分利用人脸图像数据的局部流形结构(即类内非线性流形结构)和人脸图像数据的全局信息,使数据在投影空间中的类间分离度最大,通过迭代和投影得到最优张量子空间．在标准人脸数据库上的实验表明,新算法识别率高于张量线性判别分析(TLDA)、张量临界Fisher分析(TMFA)、张量局部判别投影(TLDP)、张量子空间(TSA)算法．     

犯罪嫌疑人脸部识别中的数据降维和模式分类方法研究

比较了犯罪嫌疑人脸部识别中常用的数据降维和模式分类方法.数据降维方法包括主分量分析和线性判别分析等子空间降维方法,模式分类方法包括近邻法和支持向量机等分类方法,并基于ORL人脸数据库进行了仿真实验,同时比较了各算法在该数据集上的性能.结果表明,主分量分析和改进的线性判别分析算法性能相差不大,后者的性能比经典的线性判别分析好很多;支持向量机的性能比最近邻好,采用不同核的支持向量机之间的性能相差不大.     

基于张量模式的特征提取及分类器设计综述

摘要：(高阶)张量模式作为传统向量模式的扩展和补充,近年来已引起机器学习、模式识别等领域的广泛关注.对现有张量型学习算法进行总结:针对向量模式表示存在的问题,讨论了设计张量型学习算法的必要性和重要意义;从特征提取和分类器设计2个层面,对现有张量型学习算法进行分类和汇总,并着重从多线性投影方式出发,讨论了其内在联系及优缺点;分析了张量模式与向量模式表示间的本质关系及各自优势;探讨了张量型学习算法有待解决的问题及可能的研究趋势.     

半监督系数选择法的人脸识别

针对人脸识别过程中图像数据维数过高以及需要大量类别标记的问题,提出一种半监督离散余弦变换系数选择法,用以实现数据降维并提高识别率.该算法首先将图像数据进行离散余弦变换,根据频率特征通过预掩模选取有用信息;然后进行半监督约束聚类,利用少量有标记样本的约束集,对训练图像进行聚类;根据类别搜索较高的判别系数值,获得系数选择掩模以及训练图像的投影阵.将测试图像离散余弦变换阵在此掩模上投影,计算其与训练图像投影阵距离,利用分类器进行分类.在ORL与Yale人脸数据库上的实验结果表明:所提方法的性能优于传统方法,并与主成分分析与线性判别分析进行组合,获得了90％以上的识别率.     

类依赖增强线性判别分析算法

在增强线性判别分析和类依赖线性判别分析的基础上,提出了类依赖增强线性判别分析算法,对多模态数据进行分类.算法利用增强线性判别分析的局部信息保持能力,在不破坏多模态局部结构的前提下,对数据进行降维;然后采用最大散度差线性鉴别分析准则对每一类样本获取一个投影矩阵,从而获取不同类的样本分布的特征差异.在人脸数据库上进行实验验证,结果表明,该算法的分类效果好。     

基于模糊c-均值与核Fisher判别分析的不平衡数据分类方法

为了解决传统分类方法对不平衡数据集中少数类的识别率较低的问题,提出一种基于模糊c-均值与核Fisher判别分析相结合的分类方法.该方法首先采用模糊c-均值算法对样本数据进行聚类,将聚类后的样本数据映射到特征空间中,再对映射后的样本数据采用核Fisher判别分析算法对数据进行分类.在UCI上选取8个不平衡数据进行仿真实验,就分类性能上与其他5种算法作了比较和分析.实验结果表明采用模糊c-均值与核Fisher判别相结合的方法可以获得较高的识别率,能有效地处理不平衡数据集的分类.     

张量化扩展变换的低秩图像修复算法

图像修复是机器视觉领域的重要研究内容之一,其利用先验信息恢复丢失的像素或者移除冗余的对象,在图像编辑、影视特技制作及数字文化遗产保护等领域具有广泛的应用。将张量变换技术运用到自然图像中,提出基于结构化的低秩张量修复模型。首先,将数据嵌入到高维张量中;其次,经过多维线性复制和折叠操作实现目标张量Hankel化;再次,针对变换后张量的低秩性,提出一种基于辅助函数的Tucker分解方法实现模型优化求解;最后,将填充好的张量逆Hankel化成原始形式,并将张量数据变换至输入图像尺寸。整体修复模型通过数据嵌入、线性复制折叠操作、Tucker分解、数据重组四个步骤实现。通过多组实验数据进行验证,结果表明该算法在视觉效果和定量评价结果上都明显优于现存其他的图像修复方法。     

基于二维线性判别分析的彩色人脸识别

为了提高人脸识别的准确率,提出了一种基于二维线性判别分析的彩色人脸识别算法,直接对彩色人脸图像不同通道的颜色信息进行编码,采用矩阵表示模型描述人脸对象;融合人脸的类别特征,采用二维线性判别分析的算法提取彩色人脸的分类特征;根据投影后的特征矩阵,采用最近邻分类的算法进行人脸识别.利用CVL和CMU PIE彩色人脸数据库进行实验.结果表明,本文提出的彩色人脸识别算法能有效地提高人脸识别的准确率,明显优于对比的算法.     

基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析（LDA）的特征选取方法,建立基于分步机器学习的诊断模型. 该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分. 最终实验诊断准确率为97.27%,诊断时间为4.87 s. 与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率. 实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.     

基于主成分分析和KNN混合方法的文本分类研究

特征选择和分类算法是文本分类中的两个关键技术,提出了基于主成分分析和KNN相结合的文本分类方法。该方法利用主成分分析对文本向量的高维空间进行特征选择,为克服因类别特征选择不当带来的不利影响,使用KNN算法进行分类可以最大程度地减少分类过程中的误差。为了验证方法的有效性,针对UCI标准数据集进行仿真实验。实验结果显示,PCA-KNN方法优于主成分分析和随机森林相结合的方法,能在一定程度上提高文本分类的精度。     

基于电阻抗频谱的乳腺组织分类

针对乳腺癌早期辅助检测与诊断问题,提出一种改进的基于电阻抗频谱特性的乳腺组织分类算法。根据人体电阻抗特征数据特点,利用主成分分析法降低数据维数和去除噪声,然后采用支持向量机对数据进行分类。由此结合主成分分析和支持向量机,得到改进的分类算法。实验结果表明,改进的分类算法可以有效地对乳腺组织进行分类,准确率达80%以上,特别对乳腺癌和脂肪组织的分类准确率超高95%。     

基于核映射的无相关鉴别矢量集算法

针对人脸识别这一非线性分类问题,提出了一种基于核的无相关鉴别矢量集算法。应用了支持向量机中核函数的思想,通过核映射将原空间的非线性分类问题转化为特征空间的线性分类问题,然后在特征空间进行无相关鉴别矢量集的求取。其优势在于:利用核函数不但可以将非线性问题转化为线性问题,而且可以提取样本图像的高阶统计特征。在ORL人脸库中的测试结果表明,与传统的全局正交鉴别矢量集算法及传统的无相关鉴别矢量集算法相比,基于核映射的无相关鉴别矢量集算法有更高的识别率,最高识别率可达到99%。     

基于AL-RVM分类的主用户信号调制类型识别算法北大核心

提出了一种基于循环自相关估计和主动学习相关向量机(AL-RVM)分类的主用户信号调制类型识别算法。首先通过循环自相关估计算法提取接收信号特征参数;再采用主动学习算法通过多次迭代抽样实现对RVM分类器的构建;最后利用所构建的RVM分类器实现对各主用户信号的分类识别。仿真实验表明,与基于支持向量机(SVM)和传统相关向量机(RVM)算法相比较,所提算法在各低信噪比情况下,整体分类识别率在92%以上,明显高于对比算法。该算法能有效地实现对不同主用户信号调制类型的识别,保证了电力监测信号的有效传输。     

基于AL-RVM分类的主用户信号调制类型识别算法

提出了一种基于循环自相关估计和主动学习相关向量机(AL-RVM)分类的主用户信号调制类型识别算法。首先通过循环自相关估计算法提取接收信号特征参数;再采用主动学习算法通过多次迭代抽样实现对RVM分类器的构建;最后利用所构建的RVM分类器实现对各主用户信号的分类识别。仿真实验表明,与基于支持向量机(SVM)和传统相关向量机(RVM)算法相比较,所提算法在各低信噪比情况下,整体分类识别率在92%以上,明显高于对比算法。该算法能有效地实现对不同主用户信号调制类型的识别,保证了电力监测信号的有效传输。     

一种基于电子鼻的辛味中药材的分类鉴别方法研究

为获取新的气味识别方法以提高智能传感器模式分类识别准确率和速度,使用了内置10个传感器的便携式电子鼻PEN3对辛味中药材进行气味采集检测.将辛味中药材在烧杯中进行密封静置待其形成稳定的气味顶空环境时,运用电子鼻对其进行检测采样得到样品高维气味数据信息.与传统的线性数据分析方法不同,针对气味蕴含多种诸如浓度、各种挥发性物质成分等特征,可知气味非线性的本质特征,在本次分析中采用了流形算法中的非线性的局部线性嵌入（Locally Linear Embedding,LLE）算法对非线性的气味数据进行特征提取与降维,再采用基于Fisher的线性判别分析（Linear Discriminant Analysis,LDA）实现对特征子空间的模式聚类与分类,通过多次实验优化LLE算法的参数,得到了最佳的辛味中药材的模式识别效果.分析结果表明,运用LLE和LDA相结合的算法（即LLE_LDA）可以很好地完成不同种类辛味中药材的挥发性气味信息的模式分类,为深层次地分析基于电子鼻的气味数据信息提供了一种新方法.     

面向工业大数据的多层增量特征提取方法

针对工业大数据中高维小样本情况导致增量线性判别分析失效问题,提出了一种面向工业大数据的多层增量特征提取方法,对高维小样本数据进行有效降维,并最大限度保留样本的变异信息和判别信息．首先,利用滑动窗口增量实时更新数据流,检测和过滤离群点,基于增量主成分分析对数据进行初步特征提取,利用Fisher准则函数量化各主元所包含的分类信息;然后,采用熵值法确定各主元贡献率和识别能力的权重,对主元进行筛选,由筛选出的主元构成新的特征空间;最后,将当前窗口的高维数据通过增量线性判别分析投影,完成二次特征提取的同时确定样本类别．实验结果表明,该方法可有效提取实时数据特征,同时很好地保留其判别能力．     

判别近邻保持嵌入人脸识别

针对普通近邻保持嵌入算法侧重保持样本的局部结构,而没有考虑样本的类判别信息以及小样本问题,提出了一种新的人脸识别算法———判别近邻保持嵌入算法.在近邻保持嵌入算法的基础上,将最大散度差准则引入到其目标函数中.在嵌入低维空间后,类内样本保持它们固有的近邻几何结构关系,而类间样本彼此分离,能够充分提取具有判别力的特征.在AT&T人脸数据库上进行的对比实验表明,与主成分分析、线性判别分析以及近邻保持嵌入算法相比,判别近邻保持嵌入算法的最高识别率分别提高了15.35%、6.47%和6.94%;在Yale人脸数据库上进行的对比实验表明,判别近邻保持嵌入算法的最高识别率分别提高了20.27%、5.63%和2.27%.     

一种基于张量的深度视频增强算法研究

针对深度视频出现的许多空洞,提出一种基于张量的深度视频空洞修复算法。首先运用加权移动平均机制对原始深度视频进行处理,得到预处理视频,然后根据背景张量的低秩性和运动目标的稀疏性,利用低秩张量恢复的方法重建张量的低秩部分和稀疏部分,实现背景与运动目标的分离。同时,针对分离出来的运动目标部分,利用相似块匹配构造一个四阶张量,根据视频张量的低秩性和噪声像素的稀疏性,再次利用张量恢复重建四阶张量的低秩部分和稀疏部分,去除噪声并修复视频空洞,采用张量表征深度视频,利用分块处理,解决基于帧处理的传统方法丢失数据信息问题,保持视频数据的空间结构,在相同实验环境下,采用3个视频进行测试。实验结果表明,本方法可以很好地去除噪声,修补孔洞,并且基本可以还原视频的纹理结构,保持边缘,达到视频增强的效果,显著提高了深度视频的质量,鲁棒性强。该研究对实时获取外界信息具有重要意义。     

基于SVM的IRS-P6卫星影像分类方法

支持向量机是20世纪90年代发展出的一种新的通用机器学习算法,在解决小样本、非线性及高维模式识别问题中表现出许多独特的优势,成为国际上机器学习领域新的研究热点.作者以支持向量机为分类工具,对IRS-P6数据在土地覆盖应用中分类特征的选取进行了研究,与其他传统方法的分类结果比较,使用SVM分类方法分类总精度与Kappa系数均有所提高,并进行了分类精度评价,取得了良好的效果.实验表明SVM方法对高维输入向量具有较高的推广能力,且对遥感图像分类有着较强的优势.