保局投影算法在图像检索中的应用研究

对国际上近来提出的保局投影（LPP）算法在图像检索中的最新应用研究进行了详细介绍;分析指明了几种基于LPP的图像检索算法的特点;设计并完成了基于LPP的图像检索算法图像检索效果的比较实验;最后根据实验结果总结了各类算法的优缺点。     

基于流形的表情分解算法

提出了基于流形的表情分解算法。首先,运用保局投影将图像投影到低维的表情流形子空间,再在流形子空间里对它们进行高阶奇异值分解,最后在个人子空间和表情子空间里完成人脸和表情识别。该算法用流形学习解决了高阶奇异值分解中的图像特征值提取问题,用高阶奇异值分解解决了流形表情识别中个人模式影响表情识别的问题。是一种流形学习与高阶奇异值分解优势互补的算法。在CMU-AMP和JAFFE人脸库上的实验表明,该算法对人脸和表情识别都十分有效。     

几个香蕉新品种常温耐贮性比较试验

试验研究了不同香蕉品种（系）（巴西,９３－１,广东２号,威廉斯）采用不同的药物防腐在室温下的耐贮性。     

二次灭菌保鲜奶生产技术

二次灭菌保鲜奶是牛奶经超高温灭菌、灌装、再经第二次灭菌的瓶装保鲜牛奶。文中介绍了二次灭菌保鲜奶生产流程与工艺条件。在阐述消费奶与超高温灭菌奶后，指出我国应发展二次灭菌保鲜奶及其生产设备。     

完备正交邻域保持判别嵌入的人脸识别

为解决邻域保持判别嵌入算法所面临的小样本问题,并充分利用类内邻域散度矩阵零空间和非零空间中的判别信息进行人脸识别,提出一种完备正交邻域保持判别嵌入的人脸识别算法。首先间接地利用特征分解方法去除总体邻域散度矩阵的零空间;然后分别在类内邻域散度矩阵零空间和非零空间中提取最优判别矢量。此外,为进一步提高算法的识别性能,给出了基于瘦QR分解的正交投影矩阵的求解方法。在ORL和Yale人脸库上验证了以上算法的有效性。     

利用核局部保持映射分析到达时间定位问题

为降低测距误差对定位精度的影响,提出了一种基于核局部保持映射(KLPP)的定位算法。该算法以节点间的传输时间向量为输入,借助能够体现网络拓扑结构局部信息的核局部保持映射进行建模。仿真结果表明:基于KLPP的定位算法与传统基于核函数主成分分析(KPCA)的定位算法相比,在解决TOA定位问题时具有较高的定位精度,在复杂环境下能更有效地降低测量误差对TOA定位精度的影响。     

基于局部保持投影的鉴别最大间距准则

提出一种基于流形学习的特征提取方法——鉴别最大间距准则。该方法采用线性投影,保留最优的局部和全局信息数据集。试图找到具有最好鉴别能力的原始信息,使类间离散度最大的同时类内离散尽可能的小。该方法在识别率上比其它方法都有较大提高,通过在YALE和JAFFE人脸库上的实验验证该方法的有效性。     

一种有监督的线性降维人脸识别算法

保局投影（LPP）忽略了数据的类别标记信息且鲁棒性较差,为此,提出一种线性判别投影（LDP）算法。引入类问权重矩阵和类内权重矩阵,使各流形间的分离性最大,局部子流形的内在紧致性最小,同时通过一种鲁棒的类内处理方式使算法对outlier数据具有鲁棒性。在ORL、AR和ExtendedYaleB人脸数据集上进行实验,结果表明,与PCA、LDA、LPP、LSDA和LPDP算法相比,该算法的最佳平均识别率较高,分别可达95．3％、93．64％和96．28％,证明了算法的有效性和可靠性。     

一种基于格的隐私保护聚类数据挖掘方法

由于云计算的诸多优势,用户倾向于将数据挖掘和数据分析等业务外包到专业的云服务提供商,然而随之而来的是用户的隐私不能得到保证.目前,众多学者关注云环境下敏感数据存储的隐私保护,而隐私保护数据分析的相关研究还比较少.但是如果仅仅为了保护数据隐私,而不对大数据进行挖掘分析,大数据也就失去了其潜在的巨大价值.本文提出了一种云计算环境下基于格的隐私保护数据发布方法,利用格加密构建隐私数据的安全同态运算方法,并且在此基础上实现了支持隐私保护的云端密文数据聚类分析数据挖掘服务.为保护用户数据隐私,用户将数据加密之后发布到云服务提供商,云服务提供商利用基于格的同态加密算法实现隐私保护的k-means、隐私保护层次聚类以及隐私保护DBSCAN数据挖掘服务,但云服务提供商并不能直接访问用户数据破坏用户隐私.与现有的隐私数据发布方法相比,论文的隐私数据发布基于格的最接近向量困难问题（CVP）和最短向量困难问题（SVP）,具有很高的安全性.同时算法有效保持了密文数据间距离的精确性,与现有研究相比挖掘结果也具有更高的精确性和可用性.论文对方法的安全性进行了理论分析并设计实验对提出的隐私保护数据挖掘方法效率进行评估,实验结果表明本文提出的基于格的隐私保护数据挖掘算法与现有的方法相比具有更高的数据分析精确性和更高的计算效率.     

基于全局信息的人脸特征点精确定位

空间中物理位置的线性变化在图像空间的变化往往是非线性的,人脸特征点定位受到头部姿态较大的影响。提出一种改进的基于头部姿态估计的条件回归森林方法,该方法有效地将原非线性问题转换为分段线性问题。使用局部保持投影（LPP）得到全局的姿态信息标签,通过非线性回归（NLR）得出头部姿态,训练并使用条件回归森林对全局特征条件下的人脸特征点进行一个精确定位。实验结果表明,该方法有效地降低了头部偏转等图像空间中的非线性变化引起的特征估计误差,提高了人脸特征点定位的精确度。