基于值域空间中类零子空间分析的模式判别

本文提出了一种新的基于值域空间中类零子空间分析(CNSA)的模式判别方法。CNSA方法首先获取全体训练样本的值域空间,然后在值域空间中定义了各个子类的类零子空间(CNS)及其正交补空间。类零子空间及其正交补空间上都含有有效判别信息。CNS上的类内距离为零,第i类的样本到其中心的相对距离远小于到其他类的中心的距离。在对值域空间和新的CNS的性质进行分析的基础上,构造到各个类的特征空间的投影矩阵。通过计算待测样本到各特征子空间的距离,CNSA算法不但能够对属于已知模式的样本作分类判决,还能发现新模式类。在太赫兹时域光谱数据集和COIL100数据库上,将提出的CNSA算法与相关算法进行了实验比较,实验结果验证了本文CNSA算法的优越性。     

基于DCT和线性判别分析的人脸识别

 提出基于离散余弦变换和线性判别分析的人脸识别方法.DCT变换本身并不进行数据压缩,它只是将图像源数据映射到另一个域,如何在新的数据域中选择最有效的DCT系数作为识别特征成为关键问题.本文从选择有效特征角度出发,引入特征选择算法,根据可分性判据确定将哪些DCT系数作为特征,然后对选出的DCT系数进行线性判别分析提取识别特征.在ORL人脸库上的实验结果证明了提出方法的有效性.     

一种基于图的线性判别分析方法

线性判别分析(LDA)作为全局性降维的方法,在处理局部性边缘点的问题上存在不足,可能会导致边缘点的误分。针对该问题,提出一种新的降维方法,该方法基于图学习的思想,重新构造图,使得同类之间向中心靠拢的同时,不同类的K个近邻点远离该类中心。这样,高维数据在嵌入低维的过程中保持了样本的局部边缘点的特性,从而保证了边缘点的正确分类。通过在UCI数据集和人脸数据库中实验,结果表明本方法的有效性。     

基于子模式双向二维线性判别分析的人脸识别

针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析(Sub-pattern two-directional two-dimensional linear discriminant analysis,Sp-(2D)2 LDA)的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在ORL及Yale人脸库上的试验结果表明,Sp-(2D)2 LDA有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。     

基于VB与MatrixVB的最优分类超球面实现

提出了一种基于共形几何代数最优分类超球面的表示方法;讨论了运用共形几何代数理论来构造最优分类超球可分问题的可行性和简便性;介绍了基于共形几何代数的分类超球面几何表示,并用此表示将二类最优分类超球面的可分问题转化为二次规划的训练学习问题,该算法保留了最大分类间隔理论的优点,将二类最优平面可分推广到最优超球可分。另外针对VisualBasic数值计算能力的不足,不利于系统开发,介绍了基于VB和MatrixVB实现最优分类超球面,该方法将Matlab的强大计算功能与VB的Windows用户界面的开发优势结合起来,充分发挥了各自的特点．缩短了软件的开发周期。软件测试结果表明,计算方法正确,计算速度快,系统资源消耗少,操作简便易行,能满足数据分类的要求。     

基于线性判别分析的语音特征提取新方法

线性判别分析在语音的特征提取中有着广泛的应用，并取得了较好的效果，但是传统的 线性判别分析是基于所有类具有相同的协方差矩阵的这一假设，在实际系统中这一假设并不一定能满 足，且在多类状况下 LDA 不总是最优。在对类内散度矩阵和类间散度矩阵分别进行加重的基础上，提 出的加重线性判别分析有效地解决了以上2个问题。实验结果表明，利用该方法提取语音特征，大大提 高了语音识别系统的识别率。     

基于HMM核超球面支持向量机的超宽带SAR未爆物检测

 利用机载超宽带合成孔径雷达(UWB SAR)探测地下未爆物(UXO)具有安全和高效的优点.UXO检测分为预筛选和鉴别.预筛选从大面积SAR图像中提取若干怀疑目标,而鉴别则将这些怀疑目标分成UXO和杂波从而降低虚警.本文提出隐马尔可夫模型(HMM)核的超球面支持向量机(HS-SVM)UXO鉴别器.HS-SVM基于结构风险最小原理并利用核特征空间中的超球面区分UXO和杂波能够解决小训练样本集和无典型杂波样本两个问题.此外将描述UXO多方位特征的HMM作为HS-SVM核函数进一步提高了UXO的鉴别性能.实测数据处理结果表明,HMM核HS-SVM优于HMM和高斯核HS-SVM等UXO鉴别器.     

基于二维图像直接线性判别分析的人脸识别算法研究

针对直接线性判别分析(DLDA)人脸识别算法存在的小样本问题,以及图像二维线性判别分析(2D-LDA)算法需要较多存储空间的问题,文中结合二维方法与直接判决的优点,提出基于二维图像直接线性判别分析(2D-DLDA)的人脸识别算法.该算法在克服小样本问题的同时,不会丢失图像中的有用信息,而且可以避免采用奇异值分解导致的无法精确计算特征向量的问题.在ORL和Yale人脸数据库中的实验结果表明,该算法具有较高的识别率和鲁棒性.     

空间调制干涉超光谱成像仪仿真技术初步研究

在对空间调制干涉超光谱成像仪的原理进行分析的基础上,以能量传输为路径,研究空间调制干涉超光谱成像仪各数据获取环节的仿真算法,初步建立了干涉超光谱成像仪辐射能量传输仿真模型.对仿真模型进行了计算机仿真,仿真干涉图与实际干涉图较吻合,仿真模型构建较正确.     

基于无穷范数的二值线性判别分析

线性判别分析（LDA）是监督式的特征提取方法,在人脸识别等领域得到了广泛应用。为了提高特征提取速度,提出了基于无穷范数的线性判别分析方法。传统LDA方法将目标函数表示为类内散布矩阵和类间散布矩阵之差的或者商的L2范数,且通常需要涉及到矩阵求逆和特征值分解问题。与传统方法不同,这里所提方法将目标函数表示为类内散布矩阵和类间散布矩阵之差的无穷范数,而且最优解是以迭代形式得到,避免了耗时的特征值分解。无穷范数使得到的基向量实现了二值化,即元素仅在-1和1两个数字内取值,避免了特征提取时的浮点型点积运算,从而降低了测试时间,提高了效率。在ORL人脸数据库和Yale数据库上的实验表明所提算法是有效的。     

基于模糊核Fisher判别的雷达距离像识别研究

核Fisher判别分析(KFDA)既具有核技巧的非线性描述能力,又继承了线性Fisher判别分析(FDA)的优点,其在非线性判别方面表现出很好的识别性能。尝试把训练核样本的模糊隶属度信息完全融入到核散布矩阵的计算中,使得KFDA在提取原始训练样本非线性特征的同时,又可以提取到训练核样本的隶属度信息,并且把这种方法应用到雷达一维距离像识别中,实验证明其取得了很好的识别效果。     

一种基于目标空间的局部判别投影方法

现有的局部判别分析方法依据样本在投影前的近邻关系(原空间的近邻关系)设定优化目标中的权值,没有考虑样本的近邻关系在投影前后的变化。为了更准确地描述分类优化目标,该文提出了一种基于目标空间的局部判别投影方法,依据样本投影后的近邻关系(目标空间的近邻关系)设定目标函数中的权值矩阵,并采用迭代过程求解。其基本思想是使目标空间中的同类近邻样本尽量紧凑,目标空间中的异类近邻样本尽量分开。实验结果表明,该方法有效克服了原空间局部判别分析中存在的固有问题,在人工数据集和手写数字标准数据集均取得较好效果。     

核二维子类鉴别分析

 针对图像数据的多子类线性不可分问题,提出一种快速核二维子类鉴别分析算法(K2DSDA).算法从理论证明K2DSDA等价于基于核样本列(行)向量的2DSDA,并结合快速核样本图像近似定义实现最优判别向量计算,降低了算法复杂度.实验显示,本文算法在多个标准人脸库上的分类准确率优于其他鉴别分析算法,这证实了K2DSDA的有效性.     

修正的最大散度差鉴别分析及人脸识别

针对传统的Fisher线性鉴别分析在人脸这样的多类高维小样本模式的分类中存在的小样本问题和次优性问题,该文提出了一种基于修正的最大散度差鉴别准则的线性鉴别分析方法。该方法对最大散度差鉴别准则中散布矩阵的构造加以修正,采用新的修正的最大散度差鉴别准则函数。该方法从理论上为有效地解决传统的Fisher线性鉴别分析在人脸识别中存在的这两大难题提供了有效的途径。最后,在ORL,AR标准人脸库上的实验结果验证了该算法的有效性。     

核不相关辨别子空间雷达目标一维像识别

针对不相关辨别分析方法在目标类别数较多时计算量大,且可能面临散度矩阵奇异的问题,提出了一种核不相关辨别子空间算法,并将其用于雷达目标一维距离像识别。新算法继承了原方法提取目标统计不相关辨别特征的优点,同时利用核机器学习理论与广义奇异值分解,有效解决了计算量与矩阵奇异的问题,并进一步改善了目标的类可分性。对ISAR实测飞机数据进行了分类,并与几种经典核非线性方法进行了比较,结果表明所提方法的识别性能得到了明显改善。     

High-Order Supervised Discriminant Analysis for Visual Data

In practical applications, we often have to deal with high-order data, for example, a grayscale image and a video clip are intrinsically a 2nd-order tensor and a 3rd-order tensor, respectively. In order to satisty these high-order data, it is conventional to vectorize these data in advance, which often destroys the intrinsic structures of the data and includes the curse of dimensionality. For this reason, we consider the problem of high-order data representation and classification, and propose a tensor based fisher discriminant analysis (FDA), which is a generalized version of FDA, named as GFDA. Experimental results show our GFDA outperforms the existing methods, such as 2-directional 2-dimensional principal component analysis ((2D)2PCA), 2-directional 2-dimensional linear discriminant analysis ((2D)2LDA), and multilinear discriminant analysis (MDA), in high-order data classification under lower compression ratio.     

基于Fisher判别零空间的高光谱图像混合像元分解

传统的光谱混合分析方法假设每个端元必须具有完全稳定的光谱特性,而在实际问题中同类地物的端元光谱往 往存在着差异。为了有效地抑制同物异谱对混合像元分解的影响,本文提出一种基于Fisher判别零空间的高光谱遥感图像混合像元分 解算法。Fisher判别零空间方法通过对高光谱图像数据进行线性变换,使得变换后的数据中同一端元内的光谱差异减小为零,而不同 端元间的光谱差异尽可能地增大。利用变换后的光谱数据对混合像元进行分解就可以较大程度地减少同物异谱现象对分解结果的影响。 对模拟高光谱图像数据以及Indiana地区和Cuprite地区的实际AVIRIS数据的解混结果表明,用Fisher判别零空间方法处理混合像元分 解问题,可以得到较高的分解精度。     

基于图像抽样重组的2维核鉴别分析

2维核鉴别分析(2DKDA)存在离散度量矩阵过大而无法计算的问题。该文通过将图像抽样重组与2DKDA的结合,提出了3种基于图像抽样重组的2DKDA(SR2DKDA),它们不仅克服了2DKDA在计算上的困难,识别性能也优于2维线性鉴别分析(2DLDA)。在ORL人脸库和UMIST人脸库的实验验证了SR2DKDA的有效性。     

基于互信息梯度优化计算的信息判别特征提取

该文将互信息梯度优化引入特征提取矩阵求解,提出一种信息判别分析的特征提取方法。首先,分析了现有线性判别方法的特点和局限,建立了类条件分布参数模型下互信息最大化的信息判别模型。其次,证明了互信息判别的线性变换不变性和贝叶斯一致优化,构造了一个互信息梯度优化计算的特征提取算法。最后通过实际数据上试验验证了该方法的有效性。     

用空间传播和RCS模型研究RFID装置最大识别距离

通过自由空间传播模型和雷达散射横截面（RCS）模型,研究了反向散射射频识别（RFID）装置的最大识别距离。用高频电磁场仿真软件FEKO对折叠偶极子标签天线进行了建模仿真,得到天线的远场辐射方向图、输入阻抗以及在不同负载情况下天线的单站RCS值。经过理论分析和仿真计算,由两个电波传播模型分别得出RFID装置可能的最大识别距离。最后比较了两种模型的计算结果,较小的距离即为该反向散射RFID装置的最大识别距离。