基于局部边界鉴别分析的人脸识别

该文基于谱图理论和流形学习提出了局部边界鉴别分析(LMDA)的降维方法。在近邻保持投影的基础上,LMDA方法减少了同类数据间由于线性投影而带来的重构误差,同时保留了类内相似度图的拉普拉斯矩阵的完整性。另一方面,通过构造一个与类内相似图对应的类外代价图,LMDA可以扩大两者间的边界。在人脸识别中与其他方法的对比实验表明提出的算法能有效提升近邻保持投影的性能。     

基于自适应近邻图嵌入的局部鉴别投影算法

 针对局部Fisher鉴别分析(LFDA)中样本近邻点个数对于最优投影方向的影响以及在度量类间离差度时未考虑不同类别样本近邻点的两点不足之处,该文提出一种基于自适应近邻图嵌入的局部鉴别投影算法,根据样本分布以及样本间的相似度自适应计算类内和类间近邻点,依据类内类间近邻点的个数定义局部类内与类间离差矩阵中的权值矩阵,通过最大化局部类间离差度最小化局部类内离差度,得到最优低维子空间。该算法不仅能够保持样本的局部信息,而且能够保持样本的鉴别信息,在人工数据以及标准数据库上的实验表明该方法是有效的。     

认知Ad Hoc网络中基于信道相似度的分簇算法研究

针对传统分簇算法无法适用于信道动态变化的认知Ad Hoc网络,提出了一种基于信道相似度的分布式分簇算法.首先计算节点间的信道相似度,利用改进的EM算法估计节点属于不同簇的概率,再结合图的最小割算法取得最优的分簇结果.算法既最大化簇内相似度,也最小化簇间相似度.最后,提出了一个协调机制,可以同步全局的分簇信息.整个过程完全分布式运行,并且无需依赖公共控制信道.仿真结果表明,算法能够根据信道变化,动态地调整分簇结构,提高簇内公共信道数量.与此同时,算法还能有效减少簇间公共信道,降低簇间通信干扰.     

一种基于距离调节的聚类算法

针对k-means算法不适合凹形样本空间的问题,提出了一种基于距离调节的聚类算法.算法中引入了一种调节最短路径距离作为算法的相似度函数,该函数可以使经过高密度数据区域的两点距离缩短,而经过低密度数据区域的两点距离加长,由此来缩小类间样本的相似度,同时加大类间的相似度,以及更好的聚类.实验结果证明,该算法对凹状的聚类样本空间具有很好的聚类效果.     

基于类簇合并的无参数密度峰值聚类算法

密度峰值聚类算法（DPC）通过决策图直观地找到类簇中心进而完成聚类,是一种简单高效的聚类算法。然而,DPC算法的截断距离和类簇中心都是人为确定的,受主观影响较大,具有不确定性。针对上述问题,提出一种基于类簇合并的无参数密度峰值聚类算法（NDPCCM）。首先根据样本点两两之间的相似度的分布特征将其分为类内相似度和类间相似度两种类型,并利用类内相似度自动确定截断相似度,避免了人为设置参数;接着根据簇中心权值的下降趋势自动选择初始类簇中心,得到初始类簇;最后通过合并初始类簇对初步聚类结果进行优化,提高了聚类的准确性。在人工数据集和UCI真实数据集上,将所提算法与DPC、DBSCAN、K-means算法进行对比实验。结果表明所提算法无需输入参数就能够自动得到类簇,且聚类性能优于其他算法。     

一种基于均方差属性加权的K-means算法

在传统的K-means聚类算法基础上提出了一种基于均方差属性加权的MWS-K-means算法.引入特征权重以提高聚类结果的类内相似度(intra-similarities),从而提高聚类精度.考虑到K-means算法采用误差平方和作为聚类准则函数, 而误差平方和与概率论中数字特征的基本描述方法--均方差具有较高相似性,算法中特征权重的计算采用均方差法.根据属性的离散程度对欧氏距离进行加权处理,从而用相对距离代替绝对距离来计算类间相似度.实验结果表明:MWS-K-means算法在聚类精度方面优于标准的K-means算法.     

直接正交鉴别保局投影算法

针对保局投影(LPP)及其衍生出的算法在人脸识别时须先采用主成分分析(PCA)算法对高维样本降维后才能应用,本文基于正交鉴别保局投影(ODLPP,orthogonal discriminal locality pre-serving projection)算法,提出了一种直接ODLPP(DODLPP)算法,利用拉普拉斯矩阵性质进行了相应的矩阵分解,可直接从高维样本的原始空间中提取投影矩阵。为解决ODLPP算法的小样本问题,给出先求解局部类内散度矩阵的零空间,然后再最大化类间散度矩阵的求解思路。人脸库上的实验结果表明所提算法的有效性。     

基于MapReduce的SimRank算法在图聚类中的应用

由Jeh和Widom提出的SimRank算法是一种普适"结构相似度"计算模型。由于SimRank算法采用迭代方式计算图节点间相似性,因此时间复杂度和空间复杂度都非常高。随着数据量的激增,单机运算能力不能满足大规模数据的计算要求。本文提出了基于MapReduce计算模型的分布式SimRank算法,利用该算法对RDF图进行相似度度量,然后利用分布式的AP聚类算法对图节点进行聚类分析。实验结果表明,该方法能够高效的完成图节点的相似度度量,实现图的有效聚类。     

应用于人脸识别的监督局部邻域保持嵌入算法

提出了一种应用于人脸识别的监督线性维数约简 算法。首先引入图像距离度量方法以确定人脸数据 之间的相似程度,之后将训练样本的类标先验信息融入到邻域保持嵌入(NPE,neighborhood preserving embedding)算法的目标函 数中,使得降维后的嵌入空间的投影数据呈多流形分布,不仅最优保持了样本空间的局部几 何结构,同时各类样本 投影的类内散度最小化,类间散度最大化,增大了各类数据分布之间的间隔,提高了嵌入空 间的辨别能力。在Extended Yale B和CMU PIE两个开放人脸数据库上进行了识别实验,结果表明,本文算法取得了很好 的识别效果。     

拉普拉斯最大最小判别分析及应用

 提出了一种新的有监督降维方法：拉普拉斯最大最小判别分析(Laplacian MinMax Discriminant Analysis, LMMDA)。LMMDA通过样本空间中成对点之间的距离定义类内和类间散度矩阵,并通过最小化类内散度、最大化类间散度以求得最优投影矩阵。在LMMDA最优子空间中,类内样本更为紧致,类间样本更为松弛。样本集的结构信息包含在类内、类间的Laplacian矩阵,并可以对最优投影子空间加以控制。在多个数据集上的实验证明了该算法的有效性。