一种正交分量辨别分析用于人脸识别的方法

线性辨别分析（LDA）特征空间的坐标轴是非正交的，并且基于LDA的分类器的性能容易受训练集变化的影响。Okada提出了一种优化正交系统，但运算量大，且增加了特征空间坐标轴的数目，影响分类器速度。本文提出一种新的正交分量辨别分析（OCDA），没有增加坐标轴的数目，并且稳定性和识别率都优于LDA。     

基于HMM的模拟电路故障诊断方法

针对电子系统,尤其是模拟电路的早期故障诊断是重要却又困难的问题,提出一种基于隐马尔可夫模型(HMM)的模拟电路早期故障诊断方法.首先提取出模拟电路的电压特征;然后用改进的线性辨别分析法(LDA)对电压特征进行降维并消除其冗余,采取一些改进措施来消除LDA的不足;最后将改进LDA提取的特征构成多个观测序列并用于训练和测试HMM,以实现模拟电路的早期故障诊断.将该方法与其他方法进行比较的实验结果表明,其具有良好的故障识别能力.     

基于小波域PCA与LDA相结合的红外人脸识别方法*

提出了一种新的小波域主元分析与线性辨别分析相结合的红外人脸识别方法。首先通过DWT将红外人脸图像通过二级小波分解成七个子带,舍去两次分解中的对角子带,对剩下的五个子带进行有效的组合;然后用PCA方法对组合后的向量进行特征提取,再把PCA提取的特征向量进行线性辨别分析;最后用欧氏距离和三近邻分类器得到分类结果。同传统的PCA和PCA LDA的方法相比,该方法更能利用人脸图像的有用判别信息,并得到更好的识别效果。     

一种核正交局部敏感辨别分析算法

为了发掘嵌入在人脸样本的非线性结构信息,把核方法和基向量正交化思想引入局部敏感分析算法中,提出一种新的人脸识别算法-核正交局部敏感辨别分析(Kernel based Orthogonal Locality Sensitive Discriminant Analysis).并给出了算法的推导过程及计算步骤.首先用核方法提取人脸样本的非线性信息,并将其投影至高维非线性空间,然后采用局部敏感辨别分析做线性映射,最后采用施密特正交化方法得到正交的基向量,从而使算法更好地描述人脸非线性流形结构特征.在ORL和YaleB人脸库的人脸识别实验证明了所提算法的有效性.     

优化线性辨别分析在人脸识别中的应用(英文)

国内外学者研究发现,类间方差最大化的方向与类内方差最大化的方向之间的角度对传统的线性辨别分析方法的准确性影响显著,并且,当这两个方向平行的时候,传统的线性方法往往不能得到很好的结果。经过的研究和实验,发现传统线性方法的准确性与类间方差和类内方差之间的角度没有直接的决定关系,它的最大问题在于线性地对类间方差和类内方差的加和不能完全保留类别之间的辨别信息。提出了一种优化的线性辨别分析的方法(OLDA)来解决这个问题。首先,引入了辨别能量的概念,能够给任意两个类之间的辨别信息赋予同样的权重;其次,引入了一种梯度下降的算法来计算最终的判别向量,并且加速迭代算子的引入能够更加有效地解决运算复杂度的问题。最后,为了解决非线性问题,预先的聚类算法能够将非线性问题转化成为线性问题,从而使数据集能够被有效地分辨出来。采用了一个人脸数据集和一个虚拟数据集进行了实现,实验结果表明提出的优化辨别分析的方法能够有效地解决数据集的分类问题。     

基于PCA+LDA的热红外成像人脸识别

研究热红外成像人脸识别技术,提出一种基于主成分分析(PCA)和线性鉴别分析(LDA)的热红外成像人脸识别方法.针对热红外人脸图像的特点,首先对图像进行预处理得到一组标准热红外人脸图像,利用PCA算法对图像向量进行降维并提取其全局特征,对降维后的热红外人脸全局特征采用LDA算法训练生成一个使类间离散度最大、类内离散度最小的最佳分类器.最后,进行基于PCA+LDA的热红外人脸图像识别研究,实验结果表明该方法可获得较高的识别率.     

基于线性投影分析和FCM动态聚类的人脸识别*

依据主成分分析方法(PCA)对图像具有很好的表达能力,即能很好地重构原图像,而线性鉴别分析(LDA)可使图像样本具有较高可分性的特点,提出对图像先进行PCA处理,再进行LDA处理,从而降低人脸特征维数并对人脸图像进行了特征提取;并提出用FCM动态聚类算法作为识别分类器,对人脸进行识别。实验和分析结果表明,在人脸识别中,这种融合PCA和LDA的分类方法能够更好地对特征进行提取,且FCM动态聚类分类器比K近邻判别分类器更具有灵活的分类能力。     

基于LDA的表面肌电信号分类研究

研究了一种基于LDA分类器的模式识别方法,比较了五种特征参数组合方式,分析了无关联线性判别分析ULDA和PCA两种降维方法,通道数量和窗口长度对肌电信号分类的影响,最后应用LDA分类器对降维后的数据进行分类。实验结果表明:均方根和四阶AR系数两种特征组合在4通道和8通道下的准确率分别可以达到90%和96%,增加通道数量或特征数量可以进一步提高准确率;通过ULDA将特征矢量的维数降低到6维时,仍可以保证较高的准确率;6种手势的识别率超过了94%,其中4种手超过了97%,分类出错的窗口主要集中在过渡阶段。     

一种状态监测与健康评估方法及其在模拟电路中的应用

针对模拟电路的健康性能退化状况,提出一种特征选择与降维提取法(B&B+LDA)和隐马尔可夫模型(HMM)相结合、以KL距离为衡量标准的状态监测和健康评估方法.首先设置元件的参数提取幅频特征;其次针对特征存在的冗余性及高维性,采用B&B+LDA对原始特征进行提取,从而获得有效的特征集;再根据获得的特征监测出早期故障类型;最后利用正常态下的特征来训练HMM,并用其计算各状态对应的KL距离,得出故障程度,即实现电路健康退化的评估.将该方法应用于某模拟电路中,通过实验验证了其具有良好的模拟电路早期故障监测性能,与B&B,LDA,PCA及原始特征相比具有最好的状态监测与健康评估能力.     

基于二维复判别分析的人脸识别研究

为了提高人脸正确识别率和效率,在行列方向的二维线性判别分析((2D)2LDA)基础之上,提出了一种二维复判别分析(2DCCDA)的人脸识别方法.该方法通过(2D)2LDA并行提取到的行和列特征矩阵,利用复二维鉴别式分析(C2DLDA)将行和列特征融合成复数特征矩阵,从复数特征矩阵中提取出最具分类能力的系数组成特征向量.相比较二维线性判别分析(2DLDA)和(2D)2LDA方法,2DCCDA需要更少的特征系数来表征一幅图像,并且正确识别率也相应提高.