超分辨率人脸图像重构识别

为了解决单幅低分辨率人脸图像重构问题,提出了基于线性物体类理论重构超分辨率人脸图像的新方法。首先利用ICA和PCA提取不同分辨率人脸的特征子空间,然后利用通过训练得到的分辨率转换矩阵重构其相对应的超分辨率人脸图像,实验表明该算法与传统的算法相比重构出的人脸图像质量和识别率都有了很大的提高。     

基于模糊集理论的二维线性鉴别分析新方法

二维线性鉴别分析（２DLDA）是一种直接基于矩阵的特征提取方法,跳过传统的基于Fisher鉴别准则 的线性鉴别分析方法中必须先将二维矩阵转化成一维矢量的过程,有效地提高了特征提取速度且避免了小样本 问题,其识别率优于传统的Fisherface方法。结合模糊集理论,提出了一种新的２DLDA算法———模糊２DLDA （F１DLDA）算法。首先采用FKNN算法得到相应的样本分布信息,并按其对最后得到的特征向量所作的贡献融入 到特征抽取过程中,得到有效的样本特征向量集。实验表明,F２DLDA算法的性能优于传统的２     

基于代数特征与粗集的模糊神经网络研究

对人脸识别方法进行研究，提出了一种新的人脸识别方法，首先在粗糙集属性约简方法中加入LDA引入鉴别信息，构成新的特征空间。然后在新的特征空间中设计模糊神经网络分类器进行分类。在ORL人脸图像库上的实验结果表明，该方法具有良好的性能.     

可靠性优化的蚁群算法

建立了可靠性冗余优化模型，分析了各种优化方法的优缺点。采用模拟退火算法、遗传算法和蚁群算法分别解决了此问题，并通过实例，结果表明蚁群算法比较有效。     

新模糊形态学联想记忆网络的初步研究

人工神经网络理论已经被成功地应用于各种不同的模式识别问题.重点研究了联想记忆网络,提出了一种新的基于形态学和模糊运算的联想记忆网络,即模糊形态学联想记忆网络FMAM.它与经典联想记忆和模糊联想记忆FAM有显著不同.文中分析了FMAM的记忆能力和抗腐蚀/膨胀噪声的能力.自联想FMAM具有无限存储能力,能保证完全回忆,并且回忆在一步内完成,可模糊性解释等.仿真实验验证了自联想FMAM的良好性能.     

基于正交多项式函数的神经网络及其性质研究

神经网络的非线性逼近能力的研究是神经网络研究中的一个热点问题。该文提出了基于正交多项式函数的神经网络构造理论,以此为基础提出了基于正交多项式函数的神经网络的构造方法,利用Stone-Weierstrass定理从理论上证明了基于正交多项式函数的神经网络具有能以任意精度逼近任意紧集上的连续函数的全局逼近性质,最后,提出了基于正交多项式函数的神经网络的选择和评价方法,研究表明,在一定条件下,当选择Chebyshev多项式时,所构造出的神经网络性能最优。     

求解指派问题的交叉粒子群优化算法

粒子群优化是由Kennedy和Eberhart于1995年根据鸟或鱼群居社会行为而提出的,经典的粒子群是一个有效的寻找连续函数极值的方法。结合遗传算法的交叉粒子群算法解决了指派问题,实例证实它是一种简单有效的算法。     

聚类问题的蚁群算法

文章建立了聚类分析问题模型,分析了K-均值算法、模拟退火算法和蚁群算法的优缺点,结果表明蚁群算法比较有效。     

一种新的图像特征抽取方法研究

对最佳鉴别矢量的求解方法进行了研究，根据矩阵的分块理论和优化理论，在一定的条件下，从理论上得到类间散布矩阵和总体散布矩阵的一种简洁表示方法，提出了求解最佳鉴别矢量的一种新算法，该算法的优点是计算量明显减少。ORL人脸数据库的数值实验，验证了上述论断的正确性。实验结果表明，虽然识别率与分块维数之间存在非线性关系，但可以通过选择适当的分块维数来获得较高的识别率。类间散布矩阵和总体散布矩阵的一种简洁表示方法适合于一切使用Fisher鉴别准则的模式识别问题。     

一种模块化2DPCA和CSLDA相结合的人脸验证算法

在CSLDA方法的基础上进行改进,和模块化2DPCA相结合,提出了一种模块化2DPCA CSLDA的人脸验证方法,CSLDA将图像矩阵转化为向量进行处理,数据维数很大,计算复杂,对图像整体处理没有考虑到图像的局部特征.针对这些缺点,新方法从原始数据出发,对二维数据进行分块后采用2DPCA进行特征抽取,能有效抽取图像的局部特征,得到替代原始图像的低维的新模式,然后对新模式施行CSLDA,即基于客户相关子空间的线性判别分析方法,不仅考虑到类内、类闻的差异,弥补了PCA的缺陷;而且客户相关(CS)子空间可以较好地描述不同个体人脸之间的差异性,比传统的个体特征脸具有更好的判别能力,在XM2VTS人脸库上按照Lausanne协议和ORL库上对原CSLDA和新方法进行评价和测试的结果表明,新方法在验证效果上优于CSLDA方法.