一种可鉴别的稀疏保局投影算法

为了增强高维数据在低维子空间中的模式识别能力,假设任意2个类别相同的相似样本其稀疏表示也相似,并基于SPP和LPP思想,提出一种可鉴别稀疏保局投影降维新方法 DSLPP.该方法通过稀疏表示学习和保局部投影,使得在投影子空间中不仅能够保持稀疏表示对数据很好的表达能力,而且较好地获取高维数据所蕴含的本质局部流形结构和自然判别信息,从而增强高维数据在子空间中的表示能力和可鉴别能力.在3个典型的人脸数据集Yale,ORL和PIE29上,将所提出方法 DSLPP与PCA,LPP,NPE和SPP进行对比试验.结果表明DSLPP是一种有效的降维方法,能够较好地改善高维数据在低维子空间中的分类效果.     

基于概率协作表示的几何保持图嵌入

为了充分获取高维数据的几何结构特征、增强高维数据在子空间中的识别能力,基于概率协作表示拥有潜在判别信息和数据几何信息的能力,提出一种基于概率协作表示的几何保持图嵌入(PCRGPGE)的降维新方法.在新方法中,相似高维数据样本的概率协作表示相似,且其概率协作表示的重构在低维子空间中也保持相似,从而使得高维数据所蕴含的低维结构信息保持在子空间中.在PCRGPGR中,首先对高维数据进行概率协作表示并重构,以获取数据的潜在判别和几何信息;然后,采用高维数据的类内和类间的构图方式,得到数据的几何分布信息和判别信息.将PCRGPGR与PCA、LDA、LPP等10个图嵌入方法在2个经典的人脸图像数据集PIE29和IMM上进行对比试验.结果表明:所提出的PCRGPGE是一种有效的降维方法,能在低维空间较好地保持高维数据的内在结构信息和增强模式判别能力.     

基于张量的多线性思想对主成份分析方法的改进

张量的多线性方法把人脸图像看作是几何结构、表情、姿态和光照等多种因素的综合结果,运用张量方法分离出各个因素(如姿态,光照,人等)子空间,应用到人脸识别中。基于以上算法思想,提出主成份分析法(PCA)的一种改进方法,传统的PCA主要思想是将数据投影到正交的子空间中,改进后的PCA主要思想是:先对图像降维以减少图像矩阵的维数,然后,通过分解三维颜色张量的方法加入颜色信息,对张量进行中心化,运用张量方法进行人脸识别。实验结果表明该算法能有效提高性能。     

基于鲁棒回归度量学习的图像分类算法

度量学习是机器学习中的重要研究问题之一,针对实际应用中的噪声数据,如何建立一个鲁棒的度量仍是一个挑战.本文将稀疏表示、特征学习与分类模型相结合提出了一种新的基于鲁棒回归度量学习(RRML)的算法并将其应用于图像分类.算法对最优特征子空间和稀疏表示进行联合学习,在更具判别性的低维表征空间中,通过稀疏表示有效地编码数据的局部结构信息,进而更好地揭示数据的内在鉴别信息,并以此指导该模型学习到最优的投影矩阵;同时对噪声矩阵和投影矩阵的行稀疏约束,可以极大降低噪声的影响.实验结果表明所提算法在图像分类准确率和鲁棒性方面均优于其他对比算法.     

基于谱技巧稀疏保持判别分析(英文)

稀疏保持判别分析(SPDA)是一种新型的基于图的半监督降维(SSDR)方法,近年来已被成功应用于解决诸多实际问题(如人脸识别).SPDA基于数据的稀疏重构关系建图,由于稀疏的特性,从而包含自然的判别信息.然而,在SPDA计算中涉及到稠密矩阵的特征分解从而导致在存储和记忆方面会耗费大量时间,为此,我们提出了一种新的SSDR算法-基于谱技巧稀疏保持判别分析(SSPDA),该方法将稀疏表示与谱技巧结合在一起.具体地,首先把投影函数的计算转化为一个回归类优化问题,然后借助岭回归技巧得到投影方向向量,从而有效的避免了稠密矩阵的特征分解问题.在两个单标号人脸数据上的实验结果表明了该算法的有效性.     

基于张量模式的降维方法研究

经典的向量子空间是以数据流行的向量形式表示的,而在现实应用中很多是以张量模式存在的,从而提出了张量子空间.张量模式是向量模式的扩展和推广,已经广泛的应用到模式识别和数据降维等领域.主要描述了张量的定义和基本运算,对张量子空间,张量逼近和张量脸进行了具体的分析,通过张量特有的分解方法得到最优解从而达到降维的目的,本文最后提出张量以后有待发展的方向.     

投影自表示无监督极限学习机

无监督极限学习机在投影过程中保持原始高维空间中的稀疏或近邻结构,样本在高维空间中存在冗余信息,原始的数据结构不一定适应于投影后的低维特征空间.为此,结合无监督极限学习机和子空间聚类的自表示学习,提出投影自表示无监督极限学习机模型.该模型是面向聚类的特征提取方法,在投影过程中学习自表示子空间结构,从而使无监督极限学习机提取的特征自适应于聚类任务.在IRIS数据集、 6个基因表达和2个医学影像高维数据集上进行实验,结果表明该模型和算法是有效的.     

用于人脸识别的张量图优化的Fisher判别分析

最近提出的图优化的Fisher判别分析(Graph-based Fisher Analysis,简称GbFA)具有很强的判别性能,并成功地应用于人脸识别。但GbFA需要将二维的人脸图像矩阵转化为向量,因此容易丢失像点的空间关系。为此,提出用于人脸识别的张量图优化线性判别分析(Tensor Graph-based Fisher Analysis,简称TGbFA)。该算法把二维的人脸图像矩阵看作二维张量数据,并通过GbFA方法迭代求得两个投影矩阵。在Yale和YaleB的人脸库的实验表明,TGbFA算法继承了GbFA的特性,与现有的张量线性判别分析算法相比,TGbFA具有较好的判别性能。     

基于多线性主成分分析的支持高阶张量机

为了处理张量数据,传统的学习算法常常把张量展成向量,但会造成破坏原始数据固有的高阶结构和内在相关性,导致信息丢失,或产生高维向量,使得后期学习过程中容易出现过拟合、维度灾难和小样本问题.近年提出了许多基于张量模式的分类算法,而支持高阶张量机算法是张量分类算法中最有效的方法之一.考虑到张量的高维性和高冗余性,本文提出基于多线性主成分分析的支持高阶张量机分类算法(Multilinear Principle Component Analysis Based Support High-Order Tensor Machine,MPCA+SHTM).该算法首先利用多线性主成分分析对张量进行降维,然后利用支持高阶张量机对降维后的张量进行学习.在12个张量数据集上的实验表明:MPCA+SHTM在保持测试精度的情况下有效地降低了SHTM的计算时间.     

基于张量Tucker分解的彩色图像压缩

传统图像压缩方法基于向量数据进行压缩处理,破坏了高维数据的空间本征结构。为了克服传统方法的不足,本文提出了将彩色图像表示成高维数据张量( )形式,利用张量Tucker分解,取分解后的最大子张量及其对应的特征向量,并将其进行量化编码实现图像压缩。大量实验结果表明,在相同压缩比下,本文压缩后重构图像的峰值信噪比（PSNR）与传统JPEG压缩方法相比具有较大优势,并且在视觉上本文方法重构图像的颜色信息损失量较小。     

基于LLE的彩色图象人脸检测

分析了人脸与非人脸之间的本质区别,提出了运用局部线形嵌入(LLE)的非线性降维方法,解决非线性结构的高维数据(图象)低维表示的问题,实现了高维输入数据点映射到一个全局低维坐标系,同时保留了邻接点之间的空间关系(即高维空间的几何结构).此算法不仅能够有效地发现数据的非线性结构,同时还具有平移、旋转不变性.运用LLE算法对图象进行降维,再对降维后的数据运用支持向量机(SVM)分类器进行人脸和非人脸的分类.实验结果表明,该人脸检测方法测率较高,并且不受姿态、表情和光照的影响.     

文本分类中基于CHI和PCA混合特征的降维方法

中文文本数据的半结构化甚至非结构化的特点使得其分类存在着特征高维的问题,传统单一的特征降维方法难以满足大数据时代的文本分类需求.基于此,提出了一种基于卡方统计(Chi-square statistics,CHI)和主成分分析(principal component analysis,PCA)的混合特征降维方法(CHI-...     

基于谱图的维度约简及其应用

为了提取主要特征和方便处理，大多数机器学习任务都要求把高维数据投影到低维空间.在这些拓扑空间中，数据对象的相似性一般由欧式距离来度量.讨论了对某些应用而言，相似性也可以以路径为指标来衡量，并且讨论了特征选取中局部和全局的关系.基于图谱理论，提出了一种结合路径特征和距离特征的维数约简方法，旨在发掘和保持原有数据中有意义的局部近邻关系.在信息检索和人脸识别的试验中，它取得了较好的效果.     

基于局部保持映射的音频数字签名算法

为了实现对音频作品的完全级认证和对篡改操作的定位,提出了一种新的基于局部保持映射LPP(locality preserving projections)和小波包线性预测技术的音频数字签名算法.为降低音频特征向量的维数,同时保持其内在的低维结构,方便构造更有效的数字签名算法,在经过小波包变换和线性预测形成音频特征后,利用LPP算法得到音频特征集的低维流形,实现对音频数据高维特征的降维.通过混沌算法对低维流形进行置乱来得到最终的签名.实验结果表明,签名对音频数据的篡改具有较高的敏感性,可以实现对音频作品内容的完全级认证.     

一种基于非线性特征提取的数据降维算法

为了获得良好的图像分类效果,需要采集尽可能多的图像数据特征,进而使得图像原始特征空间的维数越来越高,造成维数灾难.特征提取是通过线性或者非线性映射,将高维特征空间映射到低维空间,从而降低数据维数.现有的特征提取算法往往忽视了数据本身特有的复杂结构以及非线性因素,造成映射方向的模糊以及分类精确度的缺失.充分考虑了图像数据本身的二维特性,通过改进的非线性特征提取方法、流形学习方法来提取图像特征.实验表明,该算法在不影响图像分类效果的前提下可以大大降低数据维数,减少计算复杂度.     

一种新的高维稠密数据隐私保护算法

针对隐私保护数据挖掘中的维数灾难问题,提出一种基于随机投影技术的隐私保护算法.该算法通过定义l投影扰动和Prevent-Ω数据集的概念,构造一种根据投影维数的不同,投影矩阵的稀疏度也相应变化的稀疏投影数据扰动,增加了数据的安全性.实验结果表明,在保护数据隐私的前提下,该算法能有效保证数据挖掘应用中的数据质量.     

模糊聚类局部保存投影在视觉数据特征提取中的应用

为解决在处理和计算视觉大数据中遇到的速度瓶颈,提出了一种模糊聚类局部保存投影算法用于视觉数据的特征提取应用中。首先,通过某种方法对图像进行分割;接着,将通过统计方法对图像进行特征描述得到相应的视觉数据;然后,通过提出的模糊聚类局部保存投影对视觉数据进行特征提取;最后,通过Ada Boost对提取后的特征进行识别分类。经在国际公开的UCAS-AOD和Flower-102数据集上进行大量实验,经实验对照,结果验证了模糊聚类局部保存投影算法在视觉数据特征提取中的有效性。     

非凸张量多视图子空间聚类

为了探索非凸方法在多视图聚类方面的应用, 本文基于非凸替换函数和子空间学习, 提出非凸张量多视图子空间聚类算法. 该算法不仅对多视图数据进行自表示学习来达到学习低维子空间的目的. 而且采用带有旋转的张量结构对张量的高阶关联进行挖掘. 同时, 使用非凸函数替换以及广义奇异值算子进行张量最小化问题的求解, 从而实现对张量秩的近似. 最后基于联合优化所得关联/仿射矩阵实现聚类操作. 在不同类型的多视图数据集上的大量实验验证了该方法的聚类效果.     

多标记数据的特征及标记降维方法综述

多标记学习降维方法在实际应用问题中用以处理特征,标记或二者维度较高的数据集,已成为研究热点;针对目前多标记学习降维方法数量众多,种类繁杂而导致缺乏科学分类的问题,从多标记数据降维空间选择的角度,提出将多标记学习降维方法按照特征空间降维,标记空间降维和二者均降维的形式归纳为三类,其中特征空间降维又分为特征降维和特征选择两类问题,分别从独立于和依赖于彼此空间的角度对已有的40余篇文献中的典型多标记学习降维算法的研究现状进行了综述;最后,总结了多标记学习降维方法的研究现状和启示,并提出了未来进一步的研究方向。