自适应模糊支持向量机算法研究

一个有效的核方法通常取决于选择一个合适的核函数。目前研究核方法的热点是从数据中自动地进行核学习。提出基于最优分类标准的核学习方法,这个标准类似于线性鉴别分析和核Fisher判别式。并把此算法应用于模糊支持向量机多类分类器设计上,在ORL人脸数据集和Iris数据集上的实验验证了该算法的可行性。     

基于代数特征与粗糙集相结合的特征提取方法

对特征抽取方法进行了研究,提出一种新的特征抽取方法,克服了Roman W等提出的特征抽取方法中缺乏鉴别信息的缺点.通过对高维的人脸数据用PCA和LDA降维,利用粗糙集理论中的属性约简算法进行进一步的维数压缩.实验结果表明,该方法具有良好的性能.     

基于凸凹信号的网格分割

网格分割在网格参数化、纹理atlas图等几何处理问题中有着重要的应用,提出一种基于顶点或面凸凹信号的简单高效的网格分割算法,基于均匀支撑半径的顶点凸凹信号分析将顶点分为平坦点、凸点、凹点和特征点,先从平坦点进行平坦区域扩展,再从剩下的凸凹点出发进行凸凹区域扩展,最后根据顶点和边界边的光滑度进行区域竞争扩展;对于未能完全分割的简化程度高的模型,基于面的凸凹信号采用类似的过程进一步完成最后的分割,该算法可以快速地进行网格分割并能较好地保持网格特征,特别适用于CAD模型的分割。     

基于改进联合模型的人脸表情识别

在联合主动表观模型和主动形状模型的基础上,充分挖掘标定点之间的联系,提出一种局部纹理模型构建方法。通过改进匹配算法提高特征点的定位精度和匹配速度。将该算法提取到的人脸表情特征输入最近邻分类器,分类结果表明其识别率较高。     

基于统计不相关矢量集的独立成分分析

针对随机数据在高斯分布条件下,独立成分分析在本质上不可能实现的问题,提出在统计不相关矢量集上进行独立成分分析。与一般白化变换后的数据相比,基于统计不相关矢量集的数据具有更好的不相关性,在估计独立分量时性能更优越。在ORL人脸数据库上进行的实验结果证明了该算法的有效性。     

通用稀疏多核学习

针对L1范数多核学习方法产生核权重的稀疏解时可能会导致有用信息的丢失和泛化性能退化,Lp范数多核学习方法产生核权重的非稀疏解时会产生很多冗余信息并对噪声敏感,提出了一种通用稀疏多核学习方法。该算法是基于L1范数和Lp范数(p>1) 混合的网状正则化多核学习方法,不仅能灵活的调整稀疏性,而且鼓励核权重的组效应,L1范数和Lp范数多核学习方法可以认为是该方法的特例。该方法引进的混合约束为非线性约束,故对此约束采用二阶泰勒展开式近似,并使用半无限规划来求解该优化问题。实验结果表明,改进后的方法在动态调整稀疏性的前提下能获得较好的分类性能,同时也支持组效应,从而验证了改进后的方法是有效可行的。     

一种用于人脸识别的有监督核化多类多流形ISOMAP算法

在核等测距映射（kernel ISOMAP）和多类多流形ISOMAP算法的基础上,提出一种针对人脸识别任务的有监督核化多类多流形ISOMAP算法.该算法保持了kernel ISOMAP算法的泛化特性,同时又能完成分类任务,解决了ISOMAP-C在对具有高维小样本特性的人脸数据集识别时,所要调整的神经网络权值数目将随输入维度呈指数增长,且易出现过拟合现象的问题.在多种人脸数据集上的实验结果表明了该算法的有效性,且对训练样本集的大小有较好的鲁棒性.     

基于扰动方法的广义最佳鉴别矢量集求解的一种迭代算法

本文对广义最佳鉴别矢量的求解方法进行研究，根据矩阵的扰动理论，改进了郭提出的求解广义最佳鉴别矢量的一种迭代算法，提出了求解广义最佳鉴别矢量的一种新的迭代算法，本文算法的一个突出优点是随着类别数目的增加，计算时间反而缩短；而老算法随着类别数目的增加计算时间随着增加，不仅如此，新算法的识别率不劣于老算法，在ORL人脸数据库的数值实验，验证了上述论断的正确性。     

广义DKL变换及其在人脸识别中的应用研究

1 引言在模式识别领域中,Fisher线性判别方法有着重大的影响,其基本思想是在Fisher鉴别准则函数取极值的条件下,求得一个最佳鉴别方向,然后再将模式高维特征向量投影到该最佳鉴别方向上,构成一维鉴别特征空间,于是模式鉴别分析就在一维空间中进行。 Foley和Sammon在1970年发展了Fisher线性判别方法,提出了Sammon最佳鉴别平面的技术,并将它用于解决两类问题。Sammon最佳鉴别平面的技术在模式识别领域     

统计不相关最佳鉴别矢量集的本质研究

对统计不相关最佳鉴别矢量集的本质进行研究，在基于总体散布矩阵特征分解的基础上，构造了一种白化变换，使得变换后的样本空间中的总体散布矩阵为单位矩阵，这样使得传统的最佳鉴别矢量集算法得到的均是具有统计不相关的最佳鉴别矢量集，从而揭示了统计不相关最佳鉴别变换的本质——白化变换加普通的线性鉴别变换。该方法的最大优点在于所获得的最优鉴别矢量同时具有正交性和统计不相关性。该方法对代数特征抽取具有普遍适用性。用ORL人脸数据库的数值实验，验证了该方法的有效性。