基于线性内插神经网络的雷达目标一维距离像识别

本文提出一种新颖的神经网络模型－－线性内插神经网络用于雷达目标一维距离像识别,它可避开提取不变特征的难点,利用目标一维距离像特征随姿态变化的信息来提高目标识别性能,实验结果表明,采用ＬＩＮＮ很好地解决了在大的廨范围内识别目标时所存在的计算量与识别率的矛盾,提高了雷达对任决任意姿态目标的识别性能。     

宽带雷达一维高分辨距离像识别研究

对一维高分辨率距离像（HRRP）进行预处理,解决高分辨距离像姿态、平移和幅度敏感性问题。对HRRP进行了目标子空间提取,基于子空间使用最大相关系数法对目标进行识别。实验结果表明,基于子空间法的目标识别具有较好的识别结果和较快的处理速度。     

基于线性内插神经网络的雷达目标一维距离像识别

本文提出一种新颖的神经网络模型线性内插神经网络(Linear InterpolationNeural Network,LINN)用于雷达目标一维距离像识别。它可避开提取不变特征的难点,利用目标一维距离像特征随姿态变化的信息来提高目标识别性能。实验结果表明,采用LINN很好地解决了在大的姿态角范围内识别目标时所存在的计算量与识别率的矛盾,提高了雷达对任意姿态目标的识别性能。     

基于直接辨别分析的雷达目标一维距离像识别

提出了基于零空间的线性直接辨别分析与非线性推广直接辨别分析方法,并将其用于雷达目标一维距离像识别.与传统子空间方法相比,上述两种方法保留并充分利用了类内散度矩阵最具分辨力的零空间信息,因而大大提高了目标的识别性能.对三种实测飞机数据的识别结果表明了所提方法的有效性.     

基于KLLE和KNR的雷达目标一维像识别

局部线性嵌入(LLE)是一种有代表性的流形学习算法,利用核技术将LLE进行推广,得到核局部线性嵌入算法,并将其应用于雷达目标一维距离像的特征提取。然后采用一种基于核的非线性分类器,对所提取的特征进行分类。对3种飞机的实测数据进行识别实验,结果表明,该方法具有较优的识别性能。     

基于一维距离像的雷达目标识别方法研究

通过对光学区雷达目标一维距离像的介绍和分析,指出利用一维距离像进行雷达目标分类和识别的可行性,并针对一维距离像对姿态角度化敏感这一难点问题,提出两种比较实用的解决方案。     

一种一维距离像的识别算法

随着高分辨率雷达的发展,一维距离像识别已成为雷达目标识别的重要方法之一.为了消除一维距离像的平移,将一维距离像变换到频域,提取其频谱信息作为识别特征,并依据Fisher判据,将高维特征空间数据降到一维空间,提高了算法的实时性.仿真结果表明这是一种方便有效的识别方法.     

子空间法雷达目标一维像识别研究

基于高分辨一维像,研究特征子空间法和正则子空间法在雷达目标识别中的应用。针对一维像敏感于目标姿态变化的特点,提出一种子空间串识别法,将所有姿态范围划分为一定数量的模区,在每模区建立各类目标的子空间。对未知目标,所处模区由雷达测定后,其一维像映射到该模区各类目标的特征子空间进行识别分类一单模区搜索准则。模拟和实测数据实验表明所提出方法是有效的。     

基于正交判别分析子空间的雷达目标识别

本文提出了一种基于正交判别子空间的雷达目标距离像识别方法.该方法采用一种新的准则函数,得到由一组正交基组成子空间,与修正正则子空间相比其使用正交基数量少、计算简单.用四种不同类型飞机回波数据进行识别研究,结果表明了该方法的有效性.     

雷达目标一维距离像的特征分析

针对一维距离像对姿态角敏感和回波时延的问题．对雷达目标一维距离像的特征进行了分析，结合散射点回波功率的特征提取与傅里叶变换．提出了一种雷达目标识别的方法。     

基于子空间学习和伪标签回归的无监督特征选择

信息技术的快速发展产生了大量无标签高维数据。为了能够更好地处理这些数据,提出了一种基于子空间学习和伪标签回归的无监督特征选择方法。首先,从矩阵分解的角度将子空间学习和特征选择结合在一个框架中,2,1〗范数保证稀疏,在寻找原始数据空间低维表示的同时进行特征选择;其次,利用回归函数来学习特征子空间和伪标签之间的映射关系,利用伪标签和回归函数来指导无监督特征选择,以使选择出来的特征更具判别力;最后,通过引入图拉普拉斯来挖掘隐藏在样本空间和特征空间的局部结构信息。在六个公开的数据集上进行了实验,实验结果表明该方法要优于其他几种先进的无监督特征选择算法。      

Estimation of direction-of-arrivals based on the array manifold space

In this paper, a high resolution technique for estimating DOAs of spatially close source signals is presented. It is observed that the array manifold over a sector of interest is rank deficient and the dimension of the array manifold space, which is the range space of the array manifold, is less than the number of sensors in the array. The true signal subspace is a subspace in the array manifold space. A novel technique is provided that searches for the signal subspace in this array manifold space. The resulting estimated signal subspace has minimum principal angles with the data signal subspace generated by eigen-decomposing the covariance matrix of the array data vector. It is proved that the proposed estimator is asymptotically consistent and the estimated signal subspace is closer to the true signal subspace than the data signal subspace formed by MUSIC. The proposed novel technique has better performance than the MUSIC algorithm. Its performance is comparable to MLE and MD-MUSIC yet it requires only one-dimensional searches and is computationally much less intense. Simulation results are presented to show the effectiveness of the proposed technique, and comparisons with MUSIC, MLE, and MD-MUSIC algorithms are also included.This research was supported by TRIO and NSERC.     

采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式（Center Quad Binary Pattern, C-QBP）和用于描述图像小尺度局部特征的简化四点二元模式（Simplified Quad Binary Pattern, S-QBP）两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。      

基于色域划分的多通道打印机色彩校正

针对多通道喷墨打印机,提出一种将打印色域划分并在分割后的子区域内实施色彩校正的算法。首先建立打印机的呈色模型,进而分析了高维颜料空间的光谱冗余及色域划分的可行性,在此基础上设计色域划分方法,并对每个子区域实施色彩校正。区域划分降低了数据维数,消除了颜色冗余,且算法不受打印机颜料数目的限制。     

基于三元组损失函数的深度人脸哈希方法

大规模人脸数据集上的快速检索是人脸识别应用的关键问题。较短长度人脸哈希方法可降低人脸特征比对的计算量,有助于大规模人脸识别的应用。为此提出了一种基于三元组损失函数的深度人脸哈希方法,通过优化三元组损失函数训练深度卷积神经网络以提取图像深层特征,使得由该特征表征的同类图像在欧式空间中的距离尽可能小,不同类图像在欧式空间中的距离尽可能大;通过在深度网络后添加随机映射层,进一步将高维特征映射到低维空间,并通过阈值化将低维空间映射到汉明空间。在多个标准的数据集上的实验结果表明本文方法相比于现有其他方法的优越性。     

基于正则化零空间鉴别分析的人脸识别

提取有效的特征对高维数据的模式分类起着关键 作用,针对现有故障特征维数过高的问题,本文提 出了一种基于正则化零空间线性鉴别分析(Exponential Regularized Null Space Linear Discriminant Analysis, ERNSLDA)的特征提取方法。零空间线性判别分析已经在数据降维和特征提取上展现出良好 的性能,在 本文中,首先对类内样本矩阵进行正则化处理,避免小样本问题,其次对判别准则进行指数 化处理。所提 方法集成了NSLDA和RLDA在模式识别上的优势,有效地提高了人脸识别的精度,在ORL和YALE 数据库上的仿真实验证了本文所提方法的有效性。     

基于多线性核主成分分析的掌纹识别

提出运用多线性核主成分分析(MKPCA)的一种新方法进行掌纹识别.首先MKPCA通过非线性变换,将输入样本图像向高维特征空间F上投影,运用多线性主成分分析(MPCA)直接对掌纹张量进行降维,得到低维的投影张量;然后掌纹图像向张量子空间上投影提取特征向量;最后计算特征向量间的余弦距离进行掌纹匹配.运用PolyU掌纹图像库...     

基于类别保留投影的基因表达数据特征提取新方法

 从两两样本的类别关系出发,提出一种新的线性鉴别特征提取方法,叫做类别保留投影.相比经典的fisher线性鉴别分析方法,类别保留投影具有最优子空间维数不受样本类别数限制、计算复杂度低的优点.通过对真实基因表达数据进行样本分类识别,证实了本文方法的有效性.并将类别保留投影方法推广到非线性空间,提出核类别保留投影,用于解决非线性特征提取问题,对基因表达数据的实验验证了方法的可行性.     

张量子空间降维的边缘图像匹配

针对传统基于向量子空间降维的图像匹配算法易丢失像素间邻域关系和计算量大的问题,提出一种基于张量子空间降维的边缘图像匹配算法。通过双边投影变换提取边缘图像的张量子空间,在降低特征空间维数的同时保持边缘特征之间的邻域关系,同时采用边缘膨胀后的互相关度量模板与实时图的相似性。标准人脸数据库和红外实时图像的匹配实验结果表明:该算法在匹配时间、匹配正确率、匹配精度3方面较传统基于向量子空间的匹配算法有显著的性能提高,并且对杂波和部分遮挡有较强的适应性。     

Formulating face verification with semidefinite programming.

This paper presents a unified solution to three unsolved problems existing in face verification with subspace learning techniques: selection of verification threshold, automatic determination of subspace dimension, and deducing feature fusing weights. In contrast to previous algorithms which search for the projection matrix directly, our new algorithm investigates a similarity metric matrix (SMM). With a certain verification threshold, this matrix is learned by a semidefinite programming approach, along with the constraints of the kindred pairs with similarity larger than the threshold, and inhomogeneous pairs with similarity smaller than the threshold. Then, the subspace dimension and the feature fusing weights are simultaneously inferred from the singular value decomposition of the derived SMM. In addition, the weighted and tensor extensions are proposed to further improve the algorithmic effectiveness and efficiency, respectively. Essentially, the verification is conducted within an affine subspace in this new algorithm and is, hence, called the affine subspace for verification (ASV). Extensive experiments show that the ASV can achieve encouraging face verification accuracy in comparison to other subspace algorithms, even without the need to explore any parameters.