正则化最小二乘线性判别分析算法

线性判别分析（Linear Discriminant Analysis,LDA）是用于降维和分类的方法,然而在遇到小样本问题时,由于全局散布矩阵是奇异的．所以传统的LDA方法是不适用的。为了解决LDA的这种缺点,提出了基于最小二乘线性判别分析（LeastSquares Linear Discriminant Analysis．LS—LDA）的正则化算法,在LS—LDA中分别加入关于加权矩阵的L1范数、L2范数和弹性网络的惩罚项、来解决小样本问题,使模型具有鲁棒性和稀疏性。在对回归分析、正则化方法和LS—LDA相关技术进行深入分析的基础上,构建正则化最小二乘线性判别分析框架算法,实现数据降维。结合标准文本数据集进行实验,采用KNN（K-Nearest-Neighbor）分类器进行文本分类。实验结果表明,正则化的LS—LDA具有很好的分类性能,其中以加入了弹性网络惩罚项的Ls—LDA最优.     

基于四元数矩阵表示的彩色人脸图像LDA方法

为了缓解线性判别分析(linear discriminant analysis,LDA)方法在小样本情况下出现的矩阵奇异性问题,针对彩色人脸图像,利用其四元数矩阵表示模式,在人脸识别中引入基于四元数表示的二维LDA、双向LDA方法.这些方法充分利用了彩色图像的空间分布信息,通过在行、列方向降维提取图像的2DLDA、BDLDA特征,缓解了类内散度矩阵的奇异性问题.在FERET彩色人脸数据库及AR彩色人脸数据库上的大量实验证明,本文方法与基于四元数矩阵表示的2DPCA、BDPCA算法相比,识别性能均有提高.     

确定肿瘤基因表达谱特征基因方法的研究

分析了目前基因表达谱提取特征基因所采用的方法,提出了Fisher权函数和主成份分析结合离散余弦变换的混合特征基因提取方法,以多元Logistic回归分析作为分类器进行肿瘤分类检测。该方法具有以下特点：根据基因表达数据维数高样本量小的特点,使用Fisher权函数对数据进行预处理,简单有效地得到特征基因候选集;利用离散余弦变换（Discrete Cosine Transform,DCT）的能量压缩特性,提高特征基因主成份的显现效果,有效提取特征基因信息。实验结果表明,该方法对结肠癌数据集的CV识别准确率高达95.20%.     

两向2DLDA与SVM相结合的SAR图像识别

针对线性判决分析（LDA）用于图像特征提取时存在破坏二维空间结构、特征向量维数过大的缺点。二维线性判决分析（2DLDA）直接对图像矩阵进行运算,在一定程度上弥补了LDA的缺陷,但其实质是按行压缩图像矩阵进行特征提取,只消除了图像列的相关性,所提取的特征维数依然过大。为解决以上问题,本文采用两向2DLDA的方法,在行和列方向同时压缩图像矩阵进行特征提取。并结合支持向量机（SVM）进行分类识别,用MSTAR计划发布的实测合成孔径雷达（SAR）图像数据进行实验。结果表明,该方法在减少计算量的同时能达到较高的识别率。     

线性判别分析特征提取稀疏表示人脸识别方法

针对稀疏表示分类(SRC)算法采取随机脸法提取的数据特征判别力较弱问题,提出一种线性判别分析特征提取稀疏表示人脸识别方法.该方法首先采用线性判别分析算法求解最优判别投影子空间,然后把训练样本投影到该子空间以提取相应的数据特征,并用训练样本的数据特征做字典来表示测试样本数据特征.更进一步来说就是,通过提取出测试样本稀疏特征的向量,和测试样本的数据特征进行比对找出其联系和差别并表示出比对后的残差.最后根据构造的残差找出样本的类别来实现其识别目的.通过在Extend Yale B和CMU PIE人脸数据库上一系列的测试,证明该方法具有很好的识别效果.     

局部切空间排列算法及其在人脸识别中的应用

目的探索基于流形学习的人脸识别方法,将流形学习中的局部切空间排列算法（LT-SA）应用于人脸识别.方法利用样本点领域的切空间表示局部的几何性质,将局部切空间排列起来构造流形的全局坐标;用高斯核近似映射关系;在降维空间中用线性判别分析技术（LDA）提取特征;使用最近邻分类器进行分类识别;在Yale和CMU PIE人脸数据库上进行仿真实验.结果实验表明在Yale数据库上LTSA＋LDA算法比已有LLE＋LDA方法、LLTSA方法平均识别率分别高7.22%、19.11%;在CMU PIE数据库上分别高3.71%、29.56%.结论笔者提出的LTSA＋LDA算法能较为有效地将局部切空间排列算法应用于人脸识别,显著提高了识别率.     

基于组合特征判别分析的三维人脸识别算法

针对人脸识别中特征表示与提取问题,提出了一种新颖的基于组合特征判别分析的三维人脸识别算法.该算法首先使用基于非均匀网格重采样的方法对所有三维人脸做规格化处理,使三维人脸具有统一的点数和拓扑结构;其次,以先分段、再重叠的形式将原本一维向量表示组织为二维矩阵表示,然后使用二维线性判别分析方法(2DLDA)对获得的数据进行特征抽取.这种方法在避免图像信息的丢失、增加组合特征的同时,理论上也能避免单纯使用线性判别分析(LDA)进行特征抽取时容易出现的小样本问题.在BJUT-3D大规模三维人脸数据库上的实验表明,本方法取得了良好的识别效果.     

用于相似字识别的手写汉字特征优化方法

针对常用的手写汉字特征提取方法不利于后续线性区分分析(LDA)特征变换中发现相似汉字的细微区分信息,通过将传统的手写汉字特征提取和LDA变换表述为像素级特征的二维特征矩阵优化问题,并利用二维线性区分分析(2DLDA)变换进行手写汉字特征矩阵的优化,提出了一种用于手写相似汉字识别的特征优化方法.该方法可以避免高维像素级特征向量利用LDA变换进行优化中的散度矩阵奇异性问题.对手写相似汉字的识别实验表明,相对于传统的方法,经过所提方法优化的梯度特征,识别错误率可以降低48.86％,验证了方法的有效性.     

基于PSO-LDA的人脸识别算法

线性判别分析(LDA)方法在人脸识别特征提取中应用广泛.针对其在应用方面存在的缺陷,本文提出一种基于粒子群优化(PSO)的LDA算法(PSO-LDA)的人脸识别算法.通过粒子群优化算法找寻到矩阵的最佳投影矢量,避免了直接对矩阵求特征值和特征向量,并通过多次迭代来解决投影空间中边缘类相近样本重叠问题.在ORL库中进行对比实验,实验结果表明提出的方法抗噪性能好,能明显提高人脸识别率.该算法具有识别稳定和便于实现的特点.     

基于FrFT变换和全变分正则化的异常检测算法

针对低秩稀疏表示的高光谱异常检测算法中背景字典易被污染、空间信息利用不足的问题,提出基于分数阶傅里叶变换（FrFT）和全变分正则化约束的高光谱图像异常检测算法. 通过聚类算法,将图像高维数据映射至多个子空间;构造FrFT-RX算子,增大背景和异常的可分性,得到较纯净的背景字典. 为了表示FrFT变换后中间域内背景与异常的空间特征,在低秩稀疏表示模型中引入全变分正则化项约束. 采用交替方向乘子法对模型进行优化求解,得到异常检测的结果. 在3个真实高光谱数据上开展目标检测实验,实验结果表明,与其他5种异常检测算法相比,本文算法具有更高的检测率和较低的虚警率.     

智能环境下基于核相关权重鉴别分析算法的多特征融合人脸识别

针对智能会议环境下基于单模特征的人脸识别的识别率低、鲁棒性差的问题,提出了一种在智能会议室环境下基于核相关权重鉴别分析(KRWDA)算法的融合全局和局部特征的多特征融合人脸识别方法。基于相关权重鉴别分析算法并结合核方法,提出了一种核相关权重鉴别分析算法,有效解决了小样本问题。利用全局特征和局部特征在识别时所描述的内容和作用的互补性在特征层融合两种特征,全局信息和局部信息分别采用离散余弦变换和Ga-bor小波变换提取。在AMIES2016数据库上的仿真实验表明,本文所提出的方法可以有效地提高系统身份识别的正确率。     

基于线性判别分析的加权零空间算法及在人脸识别中的应用

线性判别分析(LDA)用于人脸识别时,存在因训练样本不足引起类内散布矩阵奇异的小样本问题.基于LDA的传统零空间方法首先去掉总体散布矩阵的零空间进行降维,可以避免小样本问题.提出了一种加权零空间特征提取方法,并对加权系数进行了讨论.在人脸数据库上的实验结果验证了其有效性.     

基于核Fisher判别分析的目标识别

核Fisher判别分析是基于Fisher线性判别提出的一种非线性分类方法,其主要思想是首先把样本映射到某一特征空间,然后在此特征空间进行Fisher线性判别,这样就隐含地实现了原输入空间的非线性判别. 分析了核Fisher判别方法的分类机理,然后基于此方法对三类实际的船舶目标噪声谱进行了识别,并与神经网络、支撑矢量机等其他分类方法做了比较. 实验结果表明,核Fisher判别分析(加上一线性支撑矢量机做阈值估计)的识别效果优于其他分类算法.     

基于离散小波变换的水下回波信号尾波包络特征提取

提出一种水下目标回波的特征提取方法．该方法在离散小波变换的基础上。基于回波信号中的散射成分可以对水下底质进行分类的理论基础，提取水下回波信手尾波包络特征作为识别特征矢量，构成基于尾波包络特征的特征空间，再采用最佳鉴别矢量法将特征空间进行特征压缩，最后利用最小距离分类器对目标回波进行分类．实测数据结果表明，采用这种方法得到的包络特征是一种稳健、有效的特征，能够获得较高的正确识别率．     

基于离散小波变换的水下回波信号尾波包络特征提取

提出一种水下目标回波的特征提取方法.该方法在离散小波变换的基础上,基于回波信号中的散射成分可以对水下底质进行分类的理论基础,提取水下回波信号尾波包络特征作为识别特征矢量,构成基于尾波包络特征的特征空间,再采用最佳鉴别矢量法将特征空间进行特征压缩,最后利用最小距离分类器对目标回波进行分类.实测数据结果表明,采用这种方法得到的包络特征是一种稳健、有效的特征,能够获得较高的正确识别率.     

一种基于运动分析的步态识别方法

步态识别是新近发展的一种用在身份识别、视频监控等场合的生物特征识别技术.文中提出了一种基于运动分析的步态识别方法,采用线性判别分析和离散余弦变换分析从图像序列中提取的步态特征.采用背景减除技术提取了侧影,利用侧影的宽高变化进行了步态周期分析及行走方向判断;采用一种通过分析侧影宽度变化获取角度信息的肢体角度提取方法获取了步态序列特征;用类间散布矩阵和类内散布矩阵对应的行列式的比值确定特征个数,并采用线性判别分析和离散余弦变换分析了步态特征.在几个常用数据库上进行了实验结果表明,该方法行之有效.     

一种自适应加权的双向二维线性鉴别分析算法

二维线性鉴别分析是一种直接基于矩阵的特征提取方法,有效地提高了特征提取速度且避免了小样本问题,但是提取的特征向量维数高,不利于后期分类,而且获得的最佳投影矩阵只是来自于图像的列信息.另外,不同的样本在求取最佳投影矩阵时,所起的作用是不一样的,因此提出了一种自适应加权的双向二维线性鉴别分析算法,即是对图像矩阵顺序地进行水平和垂直2个方向的二维线性鉴别分析,自适应加权处理则是使不同的样本带有不同的权值,以提高样本在低维线性空间中的可分性.在ORL和Yale人脸库上的实验结果表明,改进的算法在降低了原算法提取的特征向量维数的同时,较原二维线性鉴别分析的识别性能有了较明显的改善.     

基于小波近似分量非参数鉴别分析人脸识别算法

根据小波变换原理,采用dbl小波基函数,对人脸图像进行3级小波分解。将3层小波近似分量进行重组,得到新的样本向量集。由于非参数鉴别分析对非高斯分布样本集具有良好的适应性,提出了基于小波近似分量和非参数鉴别分析的人脸识别算法。在样本向量集上应用非参数鉴别分析,形成类内和类间矩阵,然后利用Fisher线性鉴别进行人脸识别。实验结果表明,在ORL和CAS-PEAL-R1人脸库上使用上述算法的识别率分别为95％和97．5％。     

基于改进的核判别分析的人脸识别算法研究

由于目前面临光照、表情、姿态等影响,人脸识别是计算机视觉领域中的一个难题.由于人脸图像蕴含着丰富的纹理信息,充分利用纹理特征也是提高人脸识别算法的有效方法.利用图像处理中信号处理和学习两种方法的优势,提出了基于Gabor小波和KDCV相结合的图像特征提取算法.首先利用小波分析提取人脸图像的纹理特征,然后用改进的核判别分析方法对提取的纹理特征进行降维,用降维后的数据作为人脸识别的特征.通过仿真实验表明,改进的核判别分析算法可有效提高人脸识别正确率,提高算法的实际应用性.