部分多值逻辑函数集中准完备集的分类问题研究

Sheffer函数的最简判定是多值逻辑函数集完备性判定问题中的一个重要的理论和实际问题。根据部分多值逻辑函数的完备性理论,研究了部分多值逻辑函数集中准完备集的分类问题,从而为解决部分多值逻辑中Sheffer函数的判定问题提供了研究基础。     

基于局部保留投影的堆叠隐空间模糊C均值算法*

传统模糊聚类算法在处理复杂非线性数据时学习能力较差。针对此问题,文中基于极限学习机(ELM)理论,结合局部保留投影(LPP)与ELM特征映射,提出压缩隐空间特征映射算法,从而将原始数据从原空间映射至压缩ELM隐空间中。通过连接多个压缩隐空间特征映射,结合模糊聚类技术,提出基于LPP的堆叠隐空间模糊C均值算法。大量实验表明,文中算法对模糊指数的变化不敏感,在处理复杂非线性数据和存在类内差异的图像数据时,能够取得更精确、高效、稳定的学习效果。     

基于形状-色彩的改进的Laplacianface人脸识别算法

针对人脸识别算法中普遍存在的鲁棒性不高的问题,提出一种新颖的特征提取手段,使提取的特征相对于图像尺度,人脸姿态等条件具有不变性;同时,将特征提取算法集成至Laplacianface人脸识别算法中,形成一种改进的基于形状-色彩特征的人脸识别算法。实验结果表明算法不仅提高了现有人脸识别算法的准确度,而且在人脸姿态等条件发生变化的情况下仍然能保持较高的识别率,有效提高了算法的鲁棒性。     

基于Laplacian算子的图像增强

使用Laplacian算子检测图像的边缘纹理等细节信息,然后以适当比例线性叠加原始图像和细节信息,从而完成图像增强。不同增强方法的比较试验表明,基于Laplacian算子的图像增强方法既能增强图像的高频分量,又能保持图像的低频分量,是图像增强的有效方法。     

应用正交变换保护数据中的隐私信息

针对聚类分析时如何保护隐私的问题,从传统的数据安全度评价标准出发,重新拓展了一般实数上有限维欧氏空间中隐私保护度的评价指标,提出了一种称为OBT（基于正交变换的数据转换方法）的算法,OBT中正交矩阵的选择不依赖于具体数据,能够很好地应用于大容量的数据库上,在应用正交变换保护数据中的隐私信息时不需要进行大量的运算。     

基于WPD和LPP的设备故障诊断方法研究

小波包分解(WPD)能够将非平稳信号在低频和高频上同时分解以有效反映信号潜在的特征信息,而局部保留投影法(LPP)在降维的同时保留了信号的局部特征信息。结合上述特点,本文给出了选取信号小波包分解后形成全部节点的谱能量,作为表征信号的特征,采用LPP提取降维特征进行模式识别的方法进行设备故障分类研究。本文在多组不同轴承故障及同故障不同损伤程度的多类别数据集上进行了实验,实验结果验证了这种方法的有效性。     

基于局部保持投影与隐马尔可夫模型的维文字符识别

针对传统隐马尔可夫模型(HMM)在对手写维吾尔文字符建模时,字符宽度变化大,模型训练收敛缓慢,且易陷入局部极值的问题,提出一种基于保局投影(LPP)与HMM相结合的维吾尔字符识别方法。首先,通过高度归一化保持原图像的宽高比,用滑动窗获取子图像序列,形成观测向量序列;其次,采用局部保持投影将观测序列映射到低维空间,并用随机抽样方法降低邻接图矩阵的规模;最后,采用新观测序列训练HMM。该算法在降维的同时提高了HMM的收敛速度,降低了陷入局部极值的风险。实验结果显示,算法的平均收敛步数减少,错误率降低,表明算法是有效的。     

基于局部保持投影的复合位置投影

为解决在人脸识别领域的特征提取问题,提出一种基于局部保持投影（LPP）的复合位置投影（MLPP）方法,通过选取不同的类内、类间度量矩阵和约束矩阵,将求解最优变换矩阵的问题转换成普通的特征值问题。在构造邻接图时,该算法将相同类各点作为邻接点,将类内结构保持到特征空间中,在保留局部结构稳定的同时,使整体结构趋于最大化,从而形成高效的聚簇。在AT&T和JAFFE标准人脸图像库上的实验结果表明,MLPP算法具有较高的识别率。     

一种新颖的基于马氏距离的KNN分类算法

K近邻作为模式识别研究领域的热点之一,影响其性能的距离度量也得到广泛关注。但传统KNN采用欧氏距离,平等对待所有特征间的差别,不能有效反映数据的内在结构特征。针对此问题,借鉴局部保持投影的基本思想,根据局部保持散度矩阵定义一种距离度量新方法,利用该距离度量提出一种新颖的基于马氏距离的KNN算法。该算法在基于马氏距离分布特征的方式上充分反映每一类数据的内在结构特征。实验结果表明,与传统KNN和基于马氏距离的KNN相比,该算法表现出更好的分类精度。     

基于图像优化局部保留投影的人脸表情识别

提出了一种基于图像优化局部保留投影的人脸表情识别方法。该算法在降维过程中将图像结构信息融入到LPP目标函数中,称之为GOLPP。与LPP不同,GOLPP通过降维处理,获得图像结构信息的同时将投影最优化,这样可从原始表情数据中提取更具判决性的表情信息。基于JAFFE和CED-WYU（1.0）两个表情数据库的识别结果表明,基于GOLPP的特征提取方法能有效地提高识别率。