用于多姿态人耳识别的局部线性嵌入及其改进算法

通过分析目前人耳识别所采用的各种主要方法,将流形学习局部线性嵌入(LLE)算法用于多姿态人耳识别,并针对LLE算法存在的局限提出一种改进LLE算法.改进后的LLE算法依据Hsim距离选择邻域,较好地避免了高维空间中邻域点选取的不稳定性.实验结果表明,利用LLE解决多姿态人耳识别问题是可行的而且具有较明显的优势.用改进LLE算法进行多姿态人耳识别能够获得更高的识别率,验证了算法改进的有效性.     

基于LLE的多姿态人耳识别

多姿态人耳识别是人耳识别技术面临的一个难题，目前这方面的研究并不多见．通过分析国内外2-D人耳识别方法在解决姿态问题时存在的不足，引入流形学习算法，提出一种基于局部线性嵌入的多姿态人耳识别方法．实验结果表明，这种方法在人耳姿态变化时能够取得非常理想的识别率，提高了人耳识别的鲁棒性，增强了人耳识别技术的实用性。     

基于改进ISOMAP的飞机识别算法

将流形学习方法应用于飞机图像识别中,提出一种基于改进等距映射(ISOMAP)的飞机识别算法.根据飞机图像数据的高维性质,采用改进的ISOMAP对数据进行降维,在构造近邻图的过程中,利用Procrustes距离取代传统的欧氏距离.仿真实验结果证明,该算法的的识别率较高.     

基于局部线性嵌入和最近特征线的人耳识别

针对人耳生物特征,通过分析早期人耳识别方法的不足,提出了一种局部线性嵌入（LLE）和最近特征线（NFL）相结合的人耳识别方法。首先依据流形学习思想,采用局部线性嵌入算法提取人耳图像特征,然后采用最近特征线分类器进行人耳识别。实验结果表明,该方法在人耳姿态变化时能够取得非常理想的识别率,提高了人耳识别的鲁棒性,增强了人耳识别技术的实用性。     

基于Gabor-ILLE的多姿态人耳识别

针对LLE算法对姿态变化和近邻点敏感的缺陷,提了一种融合Gabor小波和改进LLE算法的人耳识别算法（Gabor-ILLE）。该算法通过Gabor变换提取人耳特征,并对Gabor初始特征融合,采用改进LLE对特征进行降维,选择最有利于人耳识别的Gabor特征,采用K近邻算法建立人耳分类器实现人耳识别,并采用USTB3人耳图像库进行仿真实验。相对于参比人耳算法,Gabor-ILLE获得了更高的人耳识别率,实验结果验证了Gabor-ILLE算法的有效性。     

局部切空间排列多姿态人耳识别

针对姿态偏转时人耳图像识别率显著降低的问题,将局部切空间排列算法用于二维人耳特征的提取,提出一种局部切空间排列多姿态人耳识别方法.通过分析人耳图像的特点提出局部最大线性片构建策略,并以远少于样本点个数的局部切空间拟合样本集,再全局排列得到人耳低维流形.实验结果表明,该方法明显提高了姿态偏转下的识别率,并且计算效率得到改善,是一种有效的多姿态图像识别方法.     

一种改进的ISOMAP分类算法

传统的等距特征映射算法在降维时未考虑数据的类别标签,降维后不能够产生从高维到低维的映射矩阵,且不适用于多个类簇的情况,不能直接用于分类。针对这几个问题利用近邻元分析方法取代多维尺度分析法,并且引入特征向量作为输入矩阵,提出一种以分类为目的的等距特征映射算法(NC-ISOMAP)。降维时获取理想的低维投影矩阵,使降维后类间数据更加分开,类内数据更加紧凑。实验结果表明NC-ISOMAP算法能够取得很好的降维效果和分类性能,并在不同的数据集中有着较好的鲁棒性。     

多姿态人耳识别的局部线性嵌入及其改进算法

为了提高多姿态人耳识别的准确性,提出了一种改进局部线性嵌入算法的多姿态人耳识别方法。通过曲波变换提取人耳特征,采用改进局部线性嵌入算法对特征进行降维,选择最有利于人耳识别的特征向量;采用RBF神经网络建立人耳分类器实现人耳识别,并采用USTB人耳图像库进行仿真实验。相对于其他方法,该方法获得了更高的人耳识别率,从而验证了算法的有效性。     

一种改进的局部线性嵌入算法

局部线性嵌入算法(Local Linear Embedding,简称LLE)是一种非线性流形学习算法,能有效地学习出高维采样数据的低维嵌入坐标,但也存在一些不足,如不能处理稀疏的样本数据.针对这些缺点,提出了一种基于局部映射的线性嵌入算法(Local Project Linear Embedding,简称LPLE).通过假定目标空间的整体嵌入函数,重新构造样本点的局部邻域特征向量,最后将问题归结为损失矩阵的特征向量问题从而构造出目标空间的全局坐标.LPLE算法解决了传统LLE算法在源数据稀疏情况下的不能有效进行降维的问题,这也是其他传统的流形学习算法没有解决的.通过实验说明了LPLE算法研究的有效性和意义.     

基于局部线性嵌入算法的汉语数字语音识别

语音信号转换到频域后维数较高,流行学习方法可以自主发现高维数据中潜在低维结构的规律性,提出采用流形学习的方法对高维数据降维来进行汉语数字语音识别。采用流形学习中的局部线性嵌入算法提取语音频域上高维数据的低维流形结构特征,再将低维数据输入动态时间规整识别器进行识别。仿真实验结果表明,采用局部线性嵌入算法的汉语数字语音识别相较于常用声学特征MFCC维数要少,识别率提高了1.2%,有效提高了识别速度。     

基于改进NMFSC方法的人耳识别

针对人耳识别问题,提出了一种改进的稀疏性受限的非负矩阵因子（NMFSC）方法,通过增加一个使系数矩阵尽可能正交的约束条件来定义原目标函数,给出求解该目标函数的迭代规则,并证明迭代规则的收敛性。同时对人耳进行子区域划分,根据聚类规则对各子区域选择适当的权值,实现局部相似度到整体相似度的最佳映射。实验结果表明了该算法的优越性。     

基于LLE和SVM的手部动作识别方法

为了提高人体手部动作的识别性能,针对高维特征数据给模式识别带来的问题,提出了一种基于局部线性嵌入(LLE)算法和支持向量机(SVM)的模式识别方法.该方法从肱桡肌和尺侧腕屈肌上采集两路表面肌电信号(sEMG),通过对样本信号的时域分析和小波分析,提取原始信号的特征,构造特征矢量.再利用LLE算法对原始特征数据进行降维,挖掘出具有内在规律的低维特征.将降维后的特征数据输入SVM分类器进行4种动作的模式识别.实验表明:此方法可以有效、准确地对人体手部动作进行分类.     

一种基于ISOMAP的分类算法

提出一种解决分类任务的等测距映射算法,该算法利用类标签信息指导高维数据的降维．首先根据类标签在属于某个类的数据集上构造类内邻域图;然后寻找类间最短距离相邻边,并将其乘以大于1的尺度变化因子,使得降维后的类内数据更加紧凑、类问数据更加分开;最后利用BP神经网络构建一个近似的从原始高维数据集到低维数据集之间的映射函数,通过遗传算法对BP神经网络的初始权值和阈值进行优化,以避免使用剃度下降算法所带来的局部最优问题．实验结果表明,分类性能有较大提高,并对噪声有一定的鲁棒性．     

基于LLE的边缘保持图像平滑算法

现有全局优化算法都使用不同范数约束输出图像梯度来实现图像平滑,但会牺牲图像中的弱结构信息来达到较好的平滑性能,导致输出图像出现颜色失真和细节模糊的情况。针对上述问题,提出一种基于LLE的边缘保持图像平滑算法(edge preserving image smoothing algorithm based on LLE,Ep-LLE),引入局部线性嵌入(LLE)的思想作为优化函数的正则化项并采用L₂范数进行惩罚。该方法利用图像局部区域内像素存在的相互关系,通过约束局部相似以实现图像平滑任务。最后通过各个算法的实验对比验证,基于LLE的边缘保持图像平滑算法能在实现图像边缘保持平滑的同时,保留图像局部结构特征,并有效避免区域内颜色一致导致的边缘阶梯状现象,避免图像颜色失真。     

基于逆迭代的增量LLE算法

Locally Linear Embedding（LLE）算法是一种很好的流形学习算法,但是它只能以批处理的方式进行,只要有新的样本加入,就必须重作该算法的全部内容。而原来的运算结果被全部丢弃。提出了一种基于逆迭代的增量LLE算法,实现了流形的增量学习。在Swiss roll和S-curve数据库上的实验表明,该算法与LLE算法所计算出的投影值误差小于0.001%,运行的耗时少,具有很好的应用价值。     

黎曼流形的距离均方差最小降维改进算法

TRIMAP算法重新定义了图上距离的表达形式,并用近邻点对的测地距离的误差和作为衡量投影函数好坏的标准,通过这种方法可以较好地找到所需的从高维空间到低维空间转换的媒介,但是这种衡量标准不能很好地表达出TRIMAP中定义的图上距离与投影到低维空间中两点实际距离的对比关系。针对这个不足,采用了一个新的衡量标准表达式,定义一个参数m来代表对比关系,以此来解决这个缺陷,从而更好地获得最佳投影,提高识别率。实验结果表明,在ORL人脸图像的分类识别问题中获得了较好的识别性能。     

动态增殖流形学习算法

流形学习的主要目标是发现高维观测数据空间中的低维光滑流形.目前,流形学习已经成为机器学习和数据挖掘领域的研究热点.为了从高维数据流和大规模海量数据集中探索有价值的信息,迫切需要增殖地发现内在低维流形结构.但是,现有流形学习算法不具有增殖能力,并且不能有效处理海量数据集.针对这些问题,系统定义了增殖流形学习的概念,这有利于解释人脑中稳态感知流形的动态形成过程,且可以指导符合人脑增殖学习机理的流形学习算法的研究.以此为指导原则,提出了动态增殖流形学习算法,并在实验中验证了算法的有效性.     

基于LLE算法的人脸识别方法*

探讨了局部线性嵌入(LLE)算法的推导过程,提出了一种基于LLE算法的人脸识别方法,并实验分析了该方法在ORL和UMIST人脸数据库中的识别效果.