基于监督协同近邻保持投影的人脸识别算法

基于流形学习理论的近邻保持嵌入算法(Neighborhood Preserving Embedding,NPE)能够发现数据集中隐含的内蕴结构,但当训练样本不足时,无法准确发现数据的内在流形结构,从而影响算法的识别效果.针对这一问题,对NPE算法进行改进,提出了监督协同近邻保持投影算法(Supervised Collaborative Neighborhood Preserving Projection,SCNPP).该算法在类别信息的指导下构建近邻图,使同类样本间的几何关系得到保持,利用协同表示弥补NPE因样本不足造成的表示误差,以一个有效保持样本近邻关系、准确发现数据内在流形结构的权值矩阵计算投影矩阵,提高分类效果.在FERET、AR和Extended Yale B人脸数据集上的实验验证了该算法的有效性.     

基于改进的可能度优势关系的排序方法研究

优势关系是解决多属性决策问题的一种重要方法,也是研究不完备区间值信息系统的一种重要方法。在不完备区间值信息系统排序方法的研究中,针对属性过多从而可能引起排序失效的问题,提出了一种改进的可能度优势关系排序方法。这种新的排序方法把区间值优势关系和可能度相结合来改进经典优势关系定义的不足,并给出了平均综合优势度的定义。最后,通过与 ∝-β优势关系和容差优势关系等排序方法在具体算例中的比较分析,证明了改进的可能度优势关系排序方法不仅能够解决不完备区间值信息系统中的问题,而且能够使排序结果更合理、有效。