结合类标签关联度的有序核判别回归学习

有序离散类标号通常由原始连续标号按一定规则映射得到,因此它们彼此间是存在关联信息的,现有有序回归方法对此类关联信息的考虑仍然较少。首先提出一类有序标号间关联度的量化表示,进而将其与典型有序回归方法(Kernel discriminant learning for ordinal regression, KDLOR)相结合,设计出了一种结合类标号关联度的有序核判别回归学习方法(Kernel discriminant learning for ordinal regression using label membership,LM KDLOR),最后通过在多个标准有序回归数据集上的对比实验验证了所提方法的有效性。     

基于时序核函数的支持向量回归机

为克服维数灾难和过拟合等传统算法所不可规避的问题,利用支持向量机（Support Vector Machine,SVM）提出基于时序数据时间相关性的核函数修正选择方法,并以真实的二氧化硫（SO2）数据为实验数据验证该方法的有效性．实验结果表明采用时序核函数对测试数据集的拟合效果更好,并对模型泛化能力有一定的提高．     

支持向量机分类回归核函数

基于统计学习理论的支持向量机算法以其优秀的学习性能已广泛用于解决分类与回归问题。分类算法通过求两类样本之间的最大间隔来获得最优分离超平面,其几何意义相当直观,而回归算法的几何意义就不那么直观了。另外,有些适用于分类问题的快速优化算法岁不能用于回归算法中。研究了分类与回归算法之间的关系,为快速分类算法应用于回归模型提供了一定的理论依据。     

基于核函数的逆Fisher人脸识别

传统Fisher判别方法存在小样本问题,而逆Fisher判别方法的识别率较低.为此,提出一种基于核函数的逆Fisher人脸识别方法,在逆Fisher准则的基础上引入核函数映射,选取合适的核函数在高维空间里提取人脸图像特征.实验结果表明,该方法能保持逆Fisher判别的鲁棒性,人脸识别率较高.     

基于KL和核Fisher判别的车位检测方法

提出一种基于KL变换和核Fisher判别的车位检测方法,对车位图像进行预处理,将该车位图像投影至已通过KL变换构造出的特征车位子空间中,得到的投影系数即为车位的特征向量,利用核Fisher判别进行车位占用情况的判别。仿真实验采用3种不同的核函数进行核Fisher判别比较,结果表明,采用高斯径向基核函数的车位检测判别方法检测的效果最佳,检测正确率高达97.6%。     

基于核费希尔判别的生产状态诊断方法

工艺参数间的非线性耦合关系,给生产过程的状态识别带来了很大的困难。为此,引入新的核映射准则,利用梯度优化方法选取核参数,并采用核Fisher方法进行降维处理,实现对生产状态在可视平面上的逐层多故障分类,完成对当前生产过程的状态诊断。利用TE数据进行实验验证,结果表明,与核主成分分析方法相比,该方法可以得到更加准确的诊断结果。     

基于PCA和核Fisher判别的说话人确认

针对核Fisher判别技术在说话人确认中实时性较差的问题,提出了一种基于PCA和核Fisher判别的说话人确认方法.利用PCA进行特征向量的降维、去冗余,以减少后续计算的复杂度,提高说话人确认的速度,使用基于核函数的Fisher判别技术对说话人进行确认,从而在整体上提高系统的实时性.并通过实验验证了该方法的有效性.     

基于正定核函数学习的三维零件视觉抓取(英文)

机器视觉在工业零件自动化抓取装配领域起着非常重要的作用。目前大多数抓取方法是基于人工干预的机器人手眼标定,然而在复杂动态场景下,抓取结果对标定误差较敏感,因此当长期作业引起标定参数漂移时,精确抓取往往需要重复标定。提出了一种基于监督学习的零件抓取方法。采集训练样本进行层次聚类得到图像特征向量,构建一种正定核函数并通过支持向量回归学习得到抓取状态向量及图像特征向量之间的映射关系,最终可应用于指导在线抓取。最后,实验证明了提出方法的有效性。     

一种新的支持向量回归核函数构建方法

首先，讨论了支持向量回归（support vector regression，SVR）的基本原理．然后，从信息几何的角度分析了核函数的几何结构，通过共形变换（conformal transformation）构建与数据依赖(data-dependent)的核函数，使得特征空间在支持向量附近的体积元缩小，以改善SVR的机器性能．实验结果表明了方法的有效性．     

利用组合核函数建立VSV系统回归预测模型

利用支持向量回归机(SVR)建立了飞机巡航阶段发动机可调静子叶片系统(VSV)的回归预测模型.在利用SVR进行建模时,核函数的选用尤为关键,核函数有局部核函数和全局核函数,利用单一核函数训练模型易出现过拟合或欠拟合问题.为解决核函数的选用难题,避免训练过程中出现模型过拟合或欠拟合问题,提出了组合核函数.通过对单一核函数的组合,组合核函数兼具全局核函数和局部核函数的优点.最后,利用粒子群算法(PSO)对模型进行参数寻优优化,结果表明:相较于单一核函数,采用组合核函数的模型训练时间更短,模型精度更高.     

基于混合PCA和KFD的多级说话人确认

提出一种基于混合主成分分析(PCA)分类器和核Fisher判别(KFD)的多级说话人确认方法。利用PCA对注册说话人的特征向量进行降维,根据转换矩阵得到说话人特征向量的主成分空间和截断误差空间,结合这2个空间构造混合PCA分类器,用于快速判断最有可能的R个目标说话人,并采用KFD寻找最终目标说话人。仿真实验结果验证了该方法的有效性。     

核函数FISHER鉴别在性别鉴别中的应用

该文在线性FISHER鉴别的基础上,探讨了核函数FISHER鉴别原理;然后将核函数FISHER鉴别用于性别鉴别中,并提出了相应算法;对ORL人脸图像数据库进行实验;详细分析了算法在不同样本分布和不同参数条件下的识别结果;表明了在两类模式识别中核函数FISHER鉴别理论具有良好的识别效果及极佳的推广能力。     

Incremental Hierarchical Discriminant Regression

This paper presents incremental hierarchical discriminant regression (IHDR) which incrementally builds a decision tree or regression tree for very high-dimensional regression or decision spaces by an online, real-time learning system. Biologically motivated, it is an approximate computational model for automatic development of associative cortex, with both bottom-up sensory inputs and top-down motor projections. At each internal node of the IHDR tree, information in the output space is used to automatically derive the local subspace spanned by the most discriminating features. Embedded in the tree is a hierarchical probability distribution model used to prune very unlikely cases during the search. The number of parameters in the coarse-to-fine approximation is dynamic and data-driven, enabling the IHDR tree to automatically fit data with unknown distribution shapes (thus, it is difficult to select the number of parameters up front). The IHDR tree dynamically assigns long-term memory to avoid the loss-of-memory problem typical with a global-fitting learning algorithm for neural networks. A major challenge for an incrementally built tree is that the number of samples varies arbitrarily during the construction process. An incrementally updated probability model, called sample-size-dependent negative-log-likelihood (SDNLL) metric is used to deal with large sample-size cases, small sample-size cases, and unbalanced sample-size cases, measured among different internal nodes of the IHDR tree. We report experimental results for four types of data: synthetic data to visualize the behavior of the algorithms, large face image data, continuous video stream from robot navigation, and publicly available data sets that use human defined features     

基于规范化KDDA的人脸识别

传统的PCA和LDA算法受限于“小样本问题”,且对象素的高阶相关性不敏感。本文将核函数方法与规范化LDA相结合,将原图像空间通过非线性映射变换到高维特征空间,并借助于“核技巧”在新的空间中应用鉴别分析方法。通过对ORL人脸库的大量实验研究表明,本文方法在特征提取方面明显优于PCA,KPCA,LDA等其他传统的人脸识别方法,在简化分类器的同时,也可以获得高识别率。     

Pose Robust Low-resolution Face Recognition via Coupled Kernel-based Enhanced Discriminant Analysis

Most face recognition techniques have been successful in dealing with high-resolution (HR) frontal face images. However, real-world face recognition systems are often confronted with the low-resolution (LR) face images with pose and illumination variations. This is a very challenging issue, especially under the constraint of using only a single gallery image per person. To address the problem, we propose a novel approach called coupled kernel-based enhanced discriminant analysis (CKEDA). CKEDA aims to simultaneously project the features from LR non-frontal probe images and HR frontal gallery ones into a common space where discrimination property is maximized. There are four advantages of the proposed approach: 1) by using the appropriate kernel function, the data becomes linearly separable, which is beneficial for recognition; 2) inspired by linear discriminant analysis (LDA), we integrate multiple discriminant factors into our objective function to enhance the discrimination property; 3) we use the gallery extended trick to improve the recognition performance for a single gallery image per person problem; 4) our approach can address the problem of matching LR non-frontal probe images with HR frontal gallery images, which is difficult for most existing face recognition techniques. Experimental evaluation on the multi-PIE dataset signifies highly competitive performance of our algorithm.      

基于Kernel Fisher Discriminant的JPEG文件隐形信息检测算法

隐秘信息分析的目的是正确的分辨出文件中是否带有隐藏的信息。自然图像和隐秘图像的DCT系数经过差分之后，它们的直方图会呈现不同的规律，以此为特征向量，来检测JPEG图像是否带有隐藏信息。并通过对低隐藏信息量的JPEG图像进一步分析，发现采用线性核函数的核Fisher判别有着较好的检测性能。实验结果表明，本文的算法有效。     

基于多重判别分析的朴素贝叶斯分类器

通过分析朴素贝叶斯分类器的分类原理,并结合多重判别分析的优点,提出了一种基于多重判别分析的朴素贝叶斯分类器DANB(Discriminant Analysis Naive Bayesian classifier).将该分类方法与朴素贝叶斯分类器(Naive Bayesian classifier, NB)和TAN分类器(Tree Augmented Naive Bayesian classifier)进行实验比较,实验结果表明在大多数数据集上,DANB分类器具有较高的分类正确率.     

基于核的K-均值聚类

将核学习方法的思想应用于K-均值聚类中,提出了一种核K-均值聚类算法,算法的主要思想是：首先将原空间中待聚类的样本经过一个非线性映射,映射到一个高维的核空间中,突出各类样本之间的特征差异,然后在这个核空间中进行K-均值聚类。同时还将一种新的核函数应用于核K-均值聚类中以提高算法的速度。为了验证算法的有效性,分别利用人工和实际数据进行K-均值聚类和核K-均值聚类,实验结果显示对于一些特殊的类分布数据,核K-均值聚类比K-均值聚类具有更好的聚类效果。     

基于改进的局部敏感判别分析的步态识别方法

相对于人脸和指纹等广泛使用的生物特征识别手段而言,步态识别是一种相对新的非接触式的身份识别方法。提出了一种基于改进的局部敏感判别分析的步态识别方法。在真实的步态数据库上的实验结果表明,提出的步态识别方法是有效可行的。