基于改进ISOMAP算法的图像分类

利用基于邻域的图像欧氏距离寻找最近邻,并用直接线性判别分析方法(Direct LDA)取代多维尺度分析法(MDS),提出一种改进的等距特征映射(ISOMAP)算法(KIMD-ISOMAP)进行降维.人脸图像分类试验表明:KIMD-ISOMAP提高了ISOMAP的分类能力,扩展了邻域半径的选取范围,在加高斯噪声和几何形变的情况下,该算法与其他方法相比,表现出较强的鲁棒性.     

样点邻域同构曲面约束的散乱点云曲率估计

针对现有点云曲率估计算法难以兼顾估计结果的精度与稳健性问题,提出一种样点邻域同构曲面约束的散乱点云曲率估计算法。以目标样点的邻域点集作为局部样本,采用二维Delaunay网格剖分与三维Delaunay网格过滤相结合的策略对局部样本进行曲面重建,获得插值于采样点集并与原表面拓扑同构的局部网格曲面;为稳健估计计算样点曲率所需的样点法向,通过局部网格曲面中顶点一阶邻域面的形状和尺寸确定邻域面法向的权重,以一阶邻域面法向的加权和作为法向估计结果;基于网格曲面顶点一阶邻域面初步估计样点曲率,进而根据邻域样点与目标样点间测地距离对初步估计结果进行平滑修正获得最终曲率估计结果。实验结果表明,所提算法可有效反映曲面特征并兼顾样点曲率估计的精度和稳健性,实现样点曲率的平滑过渡;相比于Meyer提出的Voronoi算法,所提算法对采样精度较高的点云数据可保证与其相当的计算精度,对存在噪声的点云数据计算精度和稳健性均可提高1～2倍。     

一种新的基于自组织映射的流形学习算法

针对自组织映射(Self-Organizing Map,SOM)算法在进行流形学习时容易陷入局部极值和产生"拓扑缺陷"问题的原因,提出了一种新的基于SOM的流形学习算法:TO-SOM(Training Orderly-SOM).根据流形的局部欧氏性,TO-SOM算法从一个局部线性或近似线性的数据子集出发,按照数据的内在流形结构对其进行有序训练,可以避免局部极值、克服"拓扑缺陷".根据SOM算法的鲁棒性,TO-SOM算法在成功学习数据内在流形结构的同时,对邻域大小参数和噪声也不像ISOMAP和LLE等现有流形学习算法那样敏感,从而更容易得到实际应用.     

基于核矩阵等距映射的无线传感网络节点定位算法

针对无线传感网络(Wireless Sensor Network, WSN)中节点位置信息呈现非线性的问题,基于偏最小二乘法(Partial Least Squares, PLS)稳健的多元线性回归特点,结合流形学习中的非线性降维方法,提出了一种基于PLS的核矩阵等距映射(Isometric Feature Mapping,ISOMAP)节点定位算法.通过节点间测地距离表征节点非相似性,利用样本点贡献率找寻和剔除邻域中的"短路"边,经质心变换和核变换后映射至高维特征区间,采用PLS方法求得节点位置.仿真结果表明,相比ISOMAP和多维尺度(Multidimensional Scale Method, MDS)算法,该算法具有良好的拓扑稳定性、泛化能力、稳健性和定位精度,降低了计算复杂度.     

基于局部密度比的模糊隶属度设置算法

基于知识发现中的局部异常因子思想, 提出一种基于局部密度比的模糊隶属度设置算法, 该算法根据样本的邻域密度比设置样本的隶属度, 并采用一种单参数选择策略. 数值实验表明, 所提出的算法在带噪声的非线性函数估计方面具有很好的鲁棒性, 有效地解决了模糊支持向量机中的模糊隶属度设置问题, 对处理带噪声的分类和非线性函数估计问题具有重要的意义.     

基于流形弯曲度的有序自适应邻域选择算法

针对传统邻域选择方法不能根据流形样本密度和弯曲度合理选择邻域的缺点,提出了一种有序自适应的邻域选择算法.该算法从流形上曲率最小的点开始,以宽度优先的次序不断地处理每个点.对搜索到的数据点,基于流形结构的局部线性特性,利用已有的邻域信息估算其局部切空间,然后通过其邻域边在切空间的投影自适应地选择合适的邻域.实验结果表明:该算法应用于Isomap后,对不同结构的数据集嵌入结果更准确.     

基于Spark的ISOMAP算法并行化

为了实现大数据环境下非线性高维数据的快速降维,提出了一种基于Spark的并行ISOMAP算法.在该算法中,为了快速构建邻域矩阵,设计并实现了基于精确欧式位置敏感哈希的近邻搜索并行算法;为了实现特征值的快速求解,设计并实现了基于幂法和降阶法交替执行的特征值求解并行算法.为了进一步提高算法的性能,基于Spark的特性,利用Spark的稀疏向量、广播机制和缓存机制对并行ISOMAP算法进行了优化,减少了计算过程中的内存消耗和数据传输.在Swissroll数据集和S-curve数据集上的实验结果表明,基于Spark的并行ISOMAP算法通过并行执行和计算过程的优化,极大地提高了算法的执行效率,能够适用于大规模数据集的降维处理.     

基于自适应邻域选取的局部投影降噪

提出一种以相点距离矩阵和信噪比为测度的自适应选取邻域参数的局部投影降噪方法.首先将一维时间序列重构到高维相空间,然后计算相空间中各个相点间的距离以构成相点距离矩阵,并据此设定参考相点的初始邻域半径和动态搜索步长,自适应地选择邻域大小,再利用局部几何投影方法消除噪声,迭代此过程,历史输出信噪比达到最大时获得优化邻域.     

基于邻域漂移的点云法向估计算法研究

随着三维激光扫描仪的改进和普及,获取三维点云数据的方式越来越方便.法向量作为点云数据不可或缺的属性之一,在诸多算法中具有重要作用.由于受到噪声、离群点、非均匀采样等因素的影响,准确快速估计尖锐特征点的法向量仍然是具有挑战性的.提出基于邻域漂移的点云法向估计算法,实现准确快速地对尖锐特征点的法向进行估计.首先,对当前点的近邻点构造其邻域,所有近邻点所对应的邻域构成候选邻域集.利用协方差分析对候选邻域进行评价,并选取最优邻域用于最终的法向估计.实验结果表明本算法在法向估计的质量上与前沿算法持平,在运行速度上与传统PCA算法相近,可以最大程度兼顾法向质量与计算速度.     

基于空间邻域信息的FCM图像分割算法

提出一种基于空间邻域信息的FCM图像分割算法,该方法将目标函数中的距离定义为特征距离与空间距离之和,不仅反映特征距离,而且反映空间距离.将空间信息引入到传统FCM算法的目标函数中,建立了包含邻域信息的新的聚类目标函数,实现图像的分割.实验结果表明,新算法能够获得较好的分割效果和质量,同时具有较强的抑制噪声的能力.     

半监督局部线性嵌入算法在人脸识别中的应用

提高人脸识别算法的识别率,提出一种基于半监督局部线性嵌入(Semi-Supervised Locally Linear Embedding,SSLLE)的人脸图像识别方法。针对局部线性嵌入(Locally Linear Embedding,LLE)算法非监督学习的缺陷,引入半监督思想,在构造邻域的时候利用部分样本的标签信息来重新调整距离矩阵;使用调整后的距离矩阵进行线性重建从而实现数据降维。在Yale和ORL人脸库上的实验结果表明,能有效的提高人脸识别的性能。     

基于测地线采样的三维表情人脸识别

针对测地线类人脸识别算法速度慢的问题, 提出了一种基于测地线环带特征点采样的三维人脸识别方法。首先根据测地线距离以鼻尖点为中心在人脸表面绘制一系列等距测地线环; 再对测地线环带进行特征点采样构成人脸描述特征, 并进行PCA(Principal Component Analysis)运算和去相关处理; 最终使用投票法融合各环带单独结果以识别人脸。在FaceWareHouse 表情三维人脸数据集上进行的识别实验表明, 该方法识别准确率与传统测地线法相当, 而识别时间有明显减少, 平均识别时间由2. 55 s 降至0. 624 3 s。     

等距变形体的矩不变量构造方法

针对变形体由于形状的变化,其不变量的构造在模式识别领域较困难等问题,对等距变形体的识别问题进行研究,提出一种等距变形体的矩不变量构造方法。首先利用三角网格上的快速行进算法来构造特征矩阵,使得点对之间的测地距离得以保存;然后,对特征矩阵进行归一化,保证同一目标特征矩阵的不变性;最后,构造矩不变量对归一化特征矩阵进行特征提取,并对该矩不变量的平移、尺度和旋转不变性进行证明。研究结果表明:与传统方法相比,该类不变量在不降低识别效果的前提下,运算复杂度较低,并对噪声具有较强的鲁棒性。     

广义邻域粗集下的集成特征选择及其选择性集成算法

针对实际模式识别系统中样本特征常具有的连续值属性、高维性、强相关性和冗余性等影响分类效果的问题,在广义邻域粗集模型下提出一种集成特征选择及其选择性集成算法.该算法先提取样本特征并利用所提出的马氏距离分布熵评估其重要度,再基于特征重要度构建广义邻域粗集模型,并在此模型上以特征重要度为启发式信息设计基于蚁群算法的属性约简算法,然后通过改变广义邻域粗集模型参数的方式获得更多具有更大差异性的基分类器,最后利用主成分分析法对产生的基分类器进行选择性集成.模拟电路故障诊断结果表明,该算法比AdaBoost等算法取得的分类精度至少提高了2.6%.     

基于距离度量学习的SAR图像识别方法

针对合成孔径雷达（synthetic aperture radar,SAR）图像样本数据有限,且不同类别间的图像区分度不高导致识别困难的问题,提出一种应用于SAR图像识别的距离度量学习方法.该方法使用CNN网络得到图像的特征分布,利用LSTM网络加强图像间的关联性,基于余弦相似距离度量方法计算图像之间的匹配度,通过注意力机制后对结果进行分类.训练过程结合小样本学习的训练方式,采取预训练的策略进行实验.实验以公开的MSTAR数据集进行SAR图像识别,结果表明该方法准确率达到99.3%,比SVM方法提升2.5%.      

基于保持近邻判别嵌入的人脸识别

保持近邻嵌入(NPE)是一种子空间学习方法,具有保持数据流形上局部邻域结构的属性.虽然NPE已在一些领域得到应用,但解决识别任务还有局限性.为改进NPE的识别性能,提出了一种保持近邻判别嵌入(NPDE)人脸识别方法. 在NPDE算法中,有效结合了LDA和NPE的思想,具有很强的判别力,还能根据先验类标签信息保持局部邻域的固有几何关系.在ORL人脸库以及Yale人脸数据库上的实验结果表明提出的方法是有效的.     

基于邻域相关度和LBP算子的人脸图像识别

针对传统局部二值模式(local binary pattern,LBP)算子提取的图像纹理特征不完整、不能全面刻画人脸局部特征的问题,提出一种基于邻域相关度的改进LBP算子.该算子首先计算窗口内每个像素点的邻域相关度;其次利用邻域相关度的均值和方差构造新的NC_LBP算子,进而提取图像局部直方图特征,作为人脸识别的依据;最后利用Chi平方统计法计算直方图的不相似度,并用KNN算法进行分类.仿真实验表明,改进NC_LBP算子在ORL,JAFFE和YALE人脸数据库的识别中效果较好,特征区分度明显,识别准确率较高.     

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.     

基于改进凸分解的手势识别

提出了一种新的基于Kinect的实时静态手势识别方法,主要贡献包括:提出了一种简易可行的、结合图像深度信息与肤色信息的手势区域检测与分割方法;提出了一种改进的凸分解算法,对手势区域进行近似凸形状分解,以得到表征手势特征的骨架信息;采用基于路径相似性的骨架图匹配算法对手势进行匹配以实现识别.针对特定手势集进行了对比实验,实验结果表明,本文方法在识别结果的准确率以及算法的效率上都有着良好的表现.