基于非线性降维的图像识别

通过单幅图像数据的高维化,将单幅图像转化为高维空间中的数据集合,对其进行非线性降维,寻求其高维数据流形本征结构的低维表示向量,将其作为图像数据的特征表达向量。从而将高维图像识别问题转化为特征表达向量的识别问题。大大降低了计算的复杂程度,减少了冗余信息所造成的识别误差。通过指纹图像的实例说明,将非线性降维方法应用于图像数据识别问题,在实际中是可行的,在计算上是简单的,可大大改善常用识别方法的效能。     

基于遗传算法数据降维的汉语数字语音识别

针对语音信号特征参数LPCC和MFCC相结合后数据维数过高,导致识别器性能下降的问题,提出采用遗传算法对初始特征参数进行降维,来提高识别性能.首先提取语音信号的LPCC和MFCC,然后采用遗传算法对其进行特征降维,最后将得到的低维数据送入支持向量机进行识别.仿真实验结果表明,采用遗传算法进行特征降维与传统的PCA降维相比,识别率提高了12.2%,和初始特征相比识别率降低了1.23%,但是识别时间提高了4.5倍.     

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。     

Feature Competitive Algorithm for Dimension Reduction of the Self-Organizing Map Input Space

The self-organizing map (SOM) can classify documents by learning about their interrelationships from its input data. The dimensionality of the SOM input data space based on a document collection is generally high. As the computational complexity of the SOM increases in proportion to the dimension of its input space, high dimensionality not only lowers the efficiency of the initial learning process but also lowers the efficiencies of the subsequent retrieval and the relearning process whenever the input data is updated. A new method called feature competitive algorithm (FCA) is proposed to overcome this problem. The FCA can capture the most significant features that characterize the underlying interrelationships of the entities in the input space to form a dimensionally reduced input space without excessively losing of essential information about the interrelationships. The proposed method was applied to a document collection, consisting of 97 UNIX command manual pages, to test its feasibility and effectiveness. The test results are encouraging. Further discussions on several crucial issues about the FCA are also presented.     

一种基于Curv-SAE特征融合的人脸降维和识别方法

相比于传统的降维算法,深度学习中的栈式自编码器(Stacked Autoencoder,SAE)能够有效地学习特征并实现高效降维,然而对输入特征极其敏感。第二代离散曲波变换(Discrete Curvelet Transform,DCT)能够提取出人脸的各向信息(包含边缘和概貌特征),确保SAE的输入特征充分,从而弥补了其不足。因此,提出了一种基于Curv-SAE特征融合的人脸识别降维算法,即对人脸图像进行DCT得到特征脸并将其作为SAE的输入特征进行训练,特征融合后将其输入到分类器中进行识别。在ORL和FERET人脸数据库上的实验表明,与小波变换相比,曲波的特征信息更丰富;与传统的降维算法相比,SAE的特征表达更充分且识别精度更高。     

一种应用于人脸识别的插值降维方法

类似于通过求解图像协方差矩阵特征值所得到的特征脸方法，提出在双三次插值得到图像降维基础上，再进行线性鉴别分析(LDA)的插值脸方法，从而得到鉴别矢量集，实现人脸图像识别，试验结果显示，插值脸方法比普遍采用的特征脸方法效果更好．所提出的思想方法对于人脸识别的理论研究和工程应用具有较大价值．     

Method for Reducing the Feature Space Dimension in Speech Emotion Recognition Using Convolutional Neural Networks

Automation and Remote Control - We consider the architectures of convolutional neural networks used to assess the emotional state of a person by their speech. The problem of increasing the...     

基于特征空间轨迹匹配法的业务语音自动识别工具研究

该测试工具的主要目的是实现电话业务语音的自动识别功能，对从电话交换机采集到的业务语音输出进行分析，检验交换机的输出是否正确。识别对象主要为无失真传输语音。采用基于特征空间语音轨迹的声学特征模式匹配法组织识别内核，为了实现识别的高速性和高效性，特别讨论了识别对短时能量特征的充分利用以及判决的策略，并在最后对测试数据进行了分析。     

Face Recognition Using Gabor-Based Feature Extraction and Feature Space Transformation Fusion Method for Single Image per Person Problem

Neural Processing Letters - Discriminant analysis technique plays an important role in face recognition because it can extract discriminative features to classify different persons. However, most...     

基于随机关键词技术的文本特征降维

运用随机关键词产生技术将带有关键词的文本表示为一组关键词的条件概率向量,对文本特征空间进行转换.既有效的实现了一个不同于传统的特征降维过程,新的文本特征空间又能很好的覆盖到文本关键词的信息.     

Pattern Recognition of Construction Bidding System Based on Image Processing

Bidding for construction projects is a very important and representative field in the industry. The system of bidding for construction projects has made considerable progress over the years due to the accumulation of experience and many contributions to the field. Nowadays, with the rapid development of information technology and the intellectualization of the bidding system for construction projects, the accumulation and processing of data has become an essential element of its development. In order to manage the bidding system of construction engineering reasonably, this paper proposes a system based on image processing and pattern recognition technology, which can recognize patterns in the bidding process of construction engineering. Firstly, through binarization and other methods, the bidding project documents of construction projects are preprocessed in order to extract the main information from the documents; secondly, information is obtained through pattern recognition and processing; finally, the results of pattern recognition are imported into the bidding system, and the bidding information is quickly added to the database. This paper proposes a bidding system for construction projects based on image processing and pattern recognition. The system provides a quick and convenient means of importing the bidding information and allows personnel to efficiently process the bidding documents, particularly when there are numerous documents and and too much information. Finally, the user survey shows that the proposed bidding system based on image processing and pattern recognition can reduce the workload of construction project personnel, greatly facilitating the progress of the project.     

基于维数约简与特征选择的PGS方法在数据处理中的应用

特征选择和维数约简在机器学习、模式识别和数据挖掘领域是很常用的方法,它们之间也具有一定的联系,但对它们的融合应用目前很少研究,从而融合特征选择和维数约简的思路被提出.该思路融合了主成分分析方法和遗传算法,提出PGS方法,并把它应用于基因microarray数据的预测分类,取得了较好的效果.     

几种文本特征降维方法的比较分析

文本挖掘中采用向量空间模型(VSM)来表达文本特征,表现出巨大的维数,从而导致处理过程计算复杂,为此,需要先对文本特征矩阵进行合理的降维处理。隐含语义分析(LSA)、概念索引(CI)、非负矩阵分解(NMF)和随机映射(RP)是几种有效的降维方法,在分析降维空间的含义和计算复杂度后,通过文本聚类实验比较和分析了这几种降维方法的差异,实验表明,这些方法不仅可以对文本特征空间作有效的降维处理,还能在不同程度上凸现文本和词条之间的语义关系,从而提高文本挖掘的效率和准确率。     

多元时间序列特征降维方法研究

针对常见的降维方法难以有效地保留多元时间序列主要特征的问题,分析了传统PCA方法在多元时间序列降维中的局限性;提出一种基于共同主成分分析的线性降维方法;把共同主成分与核技巧相结合,通过数学推导,将其拓展为基于共同核主成分分析的非线性降维方法;最后分析两种方法的降维有效性.与传统PCA方法相比,基于共同核主成分分析的降维方法可以表达变量间的非线性关系、能够选取合适的核函数和形状参数,因此降维手段更为灵活、对数据的适应性更强.实验结果表明,本文提出的降维方法能够更有效地对多元时间序列进行降维.     

姿态特征与深度特征在图像动作识别中的混合应用

人体姿态是动作识别的重要语义线索,而CNN能够从图像中提取有很强判别能力的深度特征,本文从图像局部区域提取姿态特征,从整体图像中提取深度特征,探索两者在动作识别中的互补作用.首先介绍了一种姿态表示方法,每个肢体部件的姿态由描述该部件姿态的一组Poselet检测得分表示.为了抑制检测错误,设计了基于部件的模型作为检测上下文.为了从数量有限的数据集中训练CNN网络,本文使用了预训练和精细调节的方法.在两个数据集中的实验表明,本文介绍的姿态特征与深度特征混合使用,动作识别性能得到了极大提升.     

光谱数据的特征挖掘降维方法

“去繁存精”的光谱数据解耦方法可去除高维光谱数据的大量冗余,提炼其特征谱段,是光谱仪器得以广泛应用的重要基础。应用各异性和光谱特征优选方法普适性所构成的矛盾,在一定程度上制约了光谱仪 器的应用。本文提出了序列前向选择（Sequential forward selection,SFS） 的光谱特征自适应数据挖掘方法,生成最优变量组合作为支持向量机（Support vector machine,SVM）分类模型的输入,在对光谱数据降维的同时,实现了高精度的数据分类。本文方法可有效解决大量光谱数据的多类分类问题,并在红木分类中得到了实际验证和应用,为破 解因光谱特征峰高度混叠而难以进行主观经验特征选择的困境提供了新思路。