基于有监督的核局部线性嵌入的人脸性别识别

流形学习方法可以有效地发现存在于高维图像空间的低维子流形并进行维数约简,但它是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,而且流形学习方法大多没有明晰的投影矩阵,很难直接对新样本进行维数约简.针对这两个问题,提出一种新的有监督的核局部线性嵌入算法(SKLLE,supervised kernel local linear embedding).该算法通过非线性核映射将人脸样本投影到高维核特征空间,然后将人脸局部流形的结构信息和样本的类别信息进行有效地结合进行维数约简,提取低维鉴别流形特征用于分类.SKLLE算法不仅能发现嵌入于高维人脸图像的低维子流形,而且增强了局部类间的联系,同时对新样本有较好的泛化性,实验结果表明该算法能有效的提高人脸性别识别的性能.     

基于有监督判别投影的网络安全数据降维算法

针对传统流形学习在数据降维时不考虑原数据类别和聚类程度低的缺陷,提出了一种有监督判别投影(SDP)的流形学习降维算法来改善网络安全数据降维效果.在近邻矩阵基础上,利用数据集的类别标签信息,构建有监督判别矩阵,变无监督流形学习为有监督学习,寻找一个同时具有最大全局散度矩阵和最小局部散度矩阵的低维投影子空间,保证了降维投影...     

基于非线性流形学习的ISAR目标识别研究

详细分析了逆合成孔径雷达（Inverse Synthetic Aperture Radar, ISAR）二维像的非线性流形结构特点,指出ISAR二维像可以看作是由位置、姿态和尺度等内在参数共同作用而张成的一个在高维图像空间中的非线性流形。在此基础上,论文将非线性流形学习的思想引入到ISAR目标识别领域,提出了一种基于局部保持投影（Locality Preserving Projections, LPP）算法和k近邻分类器的ISAR二维像特征提取和目标识别方法。该方法首先利用LPP算法对维数较高的ISAR二维像进行降维,然后采用具有拒识功能的k近邻分类器对四类飞机目标进行了分类识别。仿真实验结果表明,LPP算法能够发现嵌入在高维ISAR图像空间中的低维非线性流形,并且能够利用LPP算法降维后的特征获得较高的识别率。     

基于LLE与Fisher线性判别的人脸识别算法

为了提高基于流形学习理论人脸识别算法的识别率,采用一种将非线性降维与Fisher线性判别相结合的方法。首先利用邻域嵌入算法,将人脸图像测试和训练集的维数降低到合适维度,然后使用Fisher线性判别进行人脸数据集特征的提取,最后将测试集人脸图像特征和训练集人脸图像特征,使用最近邻分类器进行分类。在公开的Olivettifaces和ORL人脸图像数据库上,分别将该算法与几种经典基于流形学习理论的人脸识别算法进行了对比实验,实验结果表明当近邻数比较大时本算法识别率是最高的。     

基于NPE算法的语音特征提取应用研究

语音作为传递信息的一种常用手段,在人们的日常生活中有着非常重要的地位。随着科学的发展,语音识别愈来愈受到人们的重视。本文提出一种基于流形学习的特征提取方法———邻域保持嵌入( NPE)算法用于语音识别领域。流形学习是近几十年发展起来的降维方法,在图像识别领域已有应用,但在语音识别领域的应用非常之少。实验结果表明该算法可取得较好的识别率,同时所提取的特征稳定,计算速度快。     

基于自适应结构图的半监督语音情感特征选择

本文研究了语音情感识别中的半监督特征选择问题,即如何利用未标记语音情感数据来帮助选择具有情感判别性的特征.为了解决这个问题,提出了一种新的基于图的半监督特征选择方法.其可以根据标签适应度和流形平滑度,在图上估计一个预测标签矩阵,从而有效地利用标记数据中的标签信息,以及标记数据和未标记数据中的流形结构信息.与现有的基于图...     

一种基于流形学习的手写体数字识别

针对手写字符识别中由于书写习惯和风格不同造成字符模式不稳定的问题,提出了一种基于流形学习的手写体数字识别方法。算法首先利用局部线性嵌入（LLE）对手写体数字图像进行字符特征的降维,然后再对降维后的特征进行分类识别。通过对MINST库中手写体数字数据库上的实验结果表明,利用LLE降维后的特征能够有效地区分字符,识别率达到91．7％,并能够发现高维空间的低维嵌入流形。     

基于流形学习LPP算法的语音特征提取应用

语音识别系统中,语音的特征提取是语音识别的关键技术之一。通过对语音的系统研究,提出一种全新的基于流形学习的特征提取方法。流形算法是近些年才发展起来的非线性降维方法,在人脸识别领域已取得较好效果,但在语音识别领域一直处于空白。现提出的基于流形学习LPP算法的语音特征提取方案,是一次重大的尝试,可以为以后深入研究语音识别技术提供较好参考。仿真实验结果表明,该算法与传统特征提取LPCC、MFCC算法相比,可以取得较好的识别率。     

一种融合聚类的监督局部线性嵌入算法研究

监督局部线性嵌入算法(SLLE)通过数据点的标签信息进行高维数据在低维特征空间的映射,针对SLLE在均匀化高维数据的分布和最小化重构代价时,忽略类内偏离总体分布的稀疏离散数据在线性重构过程中可能错误地投影在其他超平面的情形,引入Kmeans++算法调整样本间距离,进行最优近邻点的选择,从而更有效地反映数据在高维空间中的实际分布,使降维后的数据具备更好的可分性.通过ORL以及Yale人脸数据集上的仿真实验,结果显示,该方法具有更强的泛化能力及更高的识别率.     

面向高光谱遥感影像分类的监督多流形鉴别嵌入方法

流形学习方法可以发现嵌入于高维观测数据中的低维流形结构,但是传统的流形学习算法都是假设所有数据位于单一流形上,忽略了高维数据中不同的子集可能存在不同的流形.针对上述问题,本文提出一种监督多流形鉴别嵌入的维数约简方法,并应用于高光谱遥感影像分类.该方法首先利用样本数据的类别标签进行多子流形划分,在此基础上采用图嵌入理论构造流形内图和流形间图,然后通过最小化流形内距离同时最大化流形间距离以增强类内数据聚集性和类间数据分散性,提取低维鉴别特征,改善地物分类性能.在University of Pavia （PaviaU）和Kennedy Space Center （KSC）高光谱数据集上的实验表明,相较于其他单流形算法和多流形算法,该方法取得了更高的分类精度,在随机选取2%训练样本时,其总体分类精度分别达到88.04%和84.53%,有效提升了地物分类性能.     

Autonomic failure prediction based on manifold learning for large-scale distributed systems

This article investigates autonomic failure prediction in large-scale distributed systems with nonlinear dimensionality reduction to automatically extract failure features.Most existing methods for failure prediction focus on building prediction models or heuristic rules by discovering failure patterns,but the process of feature extraction before failure patterns recognition is rarely considered due to the increasing complexity of modern distributed systems.In this work,a novel performance-centric approach to automate failure prediction is proposed based on manifold learning(ML).In addition,the ML algorithm named supervised locally linear embedding(SLLE)is applied to achieve feature extraction.To generalize the dimensionality reduction mapping,the nonlinear mapping approximation and optimization solution is also proposed.In experimental work a file transfer test bed with fault injection is developed which can gather multilevel performance metrics transparently.Based on the runtime monitoring of these metrics,the SLLE method can automatically predict more than 50% of the central processing unit(CPU)and memory failures,and around 70% of the network failure.     

越南语语音情感特征分析与识别

本文研究了越南语语音情感识别问题,采集并建立了越南语情感数据库。母语为越南语的两名男性和两名女性说话人进行了越南语情感语音的表演和录制,通过多人听辨实验进行了数据的验证和评选,建立了一个初步的越南语语音情感数据库,为今后的跨语言研究提供数据基础。在所获得的情感数据上,提取了基本的语音特征,并构造了可用于情感识别的静态统计特征。采用高斯混合模型进行了建模与识别,识别结果显示,本文中的系统能够较好的识别越南语语音情感。在今后的工作中,可以进一步研究跨语言情感特征的分析与识别。      

流形学习算法分析及在人脸数据库上的应用

为了更高效的处理高维数、高复杂性的非线性数据,发现其嵌入在源数据空间中的本维特征,提出了基于局部光滑逼近思想的流形学习算法,通过局部线性误差逼近最小化,实现将高维数据映射到低维空间.在FREY人脸数据库上进行降维实验,证明了该方法的可行性和有效性.     

基于Sinc-Transformer模型的原始语音情感识别

考虑传统语音情感识别任务中,手动提取声学特征的繁琐性,本文针对原始语音信号提出一种Sinc-Transformer（SincNet Transformer）模型来进行语音情感识别任务。该模型同时具备SincNet层及Transformer模型编码器的优点,利用SincNet滤波器从原始语音波形中捕捉一些重要的窄带情感特征,使其整个网络结构在特征提取过程中具有指导性,从而完成原始语音信号的浅层特征提取工作;利用两层Transformer模型编码器进行二次处理,以提取包含全局上下文信息的深层特征向量。在交互式情感二元动作捕捉数据库（IEMOCAP）的四类情感分类中,实验结果表明本文提出的Sinc-Transformer模型准确率与非加权平均召回率分别为64.14%和65.28%。同时与基线模型进行对比,所提模型能有效地提高语音情感识别性能。      

基于CM-OMEMD和小波散射网络的语音情感识别

语音情感识别（Speech Emotion Recognition,SER）是人机交互的重要组成部分,具有广泛的研究和应用价值。针对当前SER中仍然存在着缺乏大规模语音情感数据集和语音情感特征的低鲁棒性而导致的语音情感识别准确率低等问题,提出了一种基于改进的经验模态分解方法（Empirical Mode Decomposition,EMD）和小波散射网络（Wavelet Scattering Network,WSN）的语音情感识别方法。首先,针对用于语音信号时频分析的EMD及其改进算法中存在的模态混叠问题（Mode Mixing）和噪声残余问题,提出了基于常数Q变换（Constant-Q Transform,CQT）和海洋捕食者算法（Marine Predator Algorithm,MPA）的优化掩模经验模态分解方法（Optimized Masking EMD based on CQT and MPA,CM-OMEMD）。采用CM-OMEMD算法对情感语音信号进行分解,得到固有模态函数（Intrinsic Mode Functions,IMFs）,并从IMFs中提取了可以表征情感的时频特征作为第一个特征集。然后采用WSN提取了具有平移不变性和形变稳定性的散射系数特征作为第二个特征集。最后将两个特征集进行融合,采用支持向量机（Support Vector Machine,SVM）分类器进行分类。通过在含有七种情感状态的TESS数据集中的对比实验,证明了本文提出的系统的有效性。其中CM-OMEMD减小了模态混叠,提升了对情感语音信号时频分析的准确性,同时提出的SER系统显著提高了情绪识别的性能。      

采用原子表示模型的维吾尔语语音情感识别

针对现有的基于表示学习的语音情感计算算法中存在着限制条件单一的问题,且没有证明它们的有效性,提出了一种采用原子表示模型的语音情感识别算法。通过引入一个新的条件,称为原子分类条件。在这种条件下,对正确识别新的测试情感样本有较好的效果。现有的基于表示的分类算法以单一的稀疏表示方法为主,而提出的算法可以结合稀疏表示模型和其他的表示模型。该算法能够放宽适用条件的范围,使得原子表示模型适应更多分类任务。采集并建立了维吾尔语语音情感数据库。在该情感数据库上,分析维吾尔语情感语音的基本声学特征。通过对情感特征空间进行原子表示的映射变换,可以有效表示情感特征空间。经实验结果证明所提出的方法优于传统的方法,在维吾尔语情感语音数据库上达到了64.17%识别率。      

Speech emotion recognition using modified quadratic discrimination function

Quadratic Discrimination Function （QDF） is commonly used in speech emotion recognition, which proceeds on the premise that the input data is normal distribution. In this paper, we propose a transformation to normalize the emotional features, emotion recognition. Features based on prosody then derivate a Modified QDF （MQDF） to speech and voice quality are extracted and Principal Component Analysis Neural Network （PCANN） is used to reduce dimension of the feature vectors. The results show that voice quality features are effective supplement for recognition, and the method in this paper could improve the recognition ratio effectively.     

用于跨库语音情感识别的DBN特征融合方法

跨数据库语音情感识别中,将不同尺度上提取的情感特征进行融合是目前的技术难点。本文利用深度学习领域的深度信念模型,提出了基于深度信念网络的特征层融合方法。将语音频谱图中隐含的情感信息作为图像特征,与传统情感特征融合。研究解决了跨数据库语音情感识别中,将不同尺度上提取的情感特征进行融合的技术难点。利用STB/Itti模型对语谱图进行分析,从颜色、亮度、方向三个角度出发,提取了新的语谱图特征;然后研究改进的DBN网络模型并对传统声学特征与新提取的语谱图特征进行了特征层融合,增强了特征子集的尺度,提升了情感表征能力。通过在ABC数据库和多个中文数据库上的实验验证,特征融合后的新特征子集相比传统的语音情感特征,其跨数据库识别结果获得了明显提升。      

基于光谱梯度角的高光谱影像流形学习降维法

为了挖掘高光谱数据的光谱局部特征,从高光谱遥感数据内在的非线性结构出发,提出了一种基于光谱梯度角的高光谱影像流形学习降维方法。采用局部化流形学习算法局部保持投影（LPP）对高光谱遥感数据进行非线性降维,对距离度量进行改进,将能够更好刻画高光谱影像光谱局部特征的光谱梯度角相似性度量应用于LPP方法,并用真实高光谱图像进行降维实验,取得了优于LPP方法和采用光谱角的LPP方法的结果。结果表明,在光谱规范化特征值方面,所提方法优于LPP方法和采用光谱角的LPP方法;在信息量的保持方面,具有更好的局部细节信息保持量。采用光谱梯度角的流形学习方法用于高光谱影像降维能取得较好的降维效果。     

基于ZCPA参数的语音情感识别研究

主要讨论了情感语音特征参数的提取、语音情感的分类、语音资料的获取和应用连续隐马可夫模型进行情感识别等,重点比较了ZCPA特征参数和传统特征参数在不同噪声环境下的识别率,实验表明,在不同的噪声环境下,采用ZCPA特征的语音情感的识别效果较好,识别率也没有明显的下降。