一种改进的统计不相关最佳鉴别向量集

扩展了Fisher鉴别分析算法,提出一种改进的统计不相关的鉴别算法:首先应用PCA算法将原始特征空间映射到一个线性子空间,然后在子空间中构造最优鉴别矢量集.对人脸数据库测试的结果表明:改进的算法具有较强的特征鉴别能力.     

基于有效鉴别特征抽取的有限汉字集识别

在模式识别领域，基于Fisher鉴别准则函数的最佳鉴别矢量集技术有着重大的影响，根据统计不相关性最优鉴别变换，提出了在汽车牌照二值化图像中抽取汉字字符的有效鉴别特征方法，并将其应用于沪宁高速公路收费口处实拍的车牌图像库中，其识别率达97.13%，实验结果表明，此文所提出的牌照图中汉字字符集的有效鉴别特征方法是有效的。     

求解统计不相关的最佳鉴别矢量的统一算法

Fisher最佳鉴别准则是高维模式分析中的有效方法 ,其关键是求解最佳鉴别矢量。统计不相关的最佳鉴别矢量保证模式矢量投影后得到的特征是统计不相关的 ,已有的计算统计不相关的最佳鉴别矢量算法不能计算小样本的情形 (类内散布矩阵是奇异的 ) ,针对这种情形 ,该文给出了一种对大小样本都能精确计算统计不相关最佳鉴别矢量的统一算法。在大样本情形下 ,该方法得到的结果与已有的方法相同。为验证算法的有效性 ,将其用于人脸识别实验 ,该方法比已有的方法能得到更高的识别率     

统计不相关性的最佳鉴别变换的手写数字识别

为了进一步深入研究推广手写体数字识别技术,介绍并验证了具有统计不相关性的最佳鉴别变换在手写体数字识别中的优越性.与经典的Foley-Sammon鉴别变换法相比,具有统计不相关性的最佳鉴别变换相关性更小,提取的特征更有效.提出利用具有统计不相关性的最佳鉴别变换来提取特征并结合BP网络设计分类器用以实现手写体数字识别.通过3个对比实验证实了基于具有统计不相关性的最佳鉴别变换方法的识别方法的有效性.     

二维典型相关分析的实质与改进算法

由于样本数常小于样本维数,传统的典型相关分析方法CCA(canonical correlation analysis)会产生小样本问题.为了解决这类问题,一种新的有监督特征抽取方法--二维典型相关分析2DCCA被提出.与传统CCA方法把二维图像矩阵拉成一维向量不同,2DCCA直接从图像矩阵中抽取特征,该方法有效地解决了小样本问题.但是在单特征下,CCA的类标编码对识别率会产生影响,在一维情况下,传统的类标编码使得CCA等价于LDA,从而限制了CCA抽取更多有效的识别特征.证明了在传统的类标编码时,2DCCA仍然与2DLDA等价.为了打破这种约束,提出了一种基于样本标号的2DCCA改进算法.在ORL和AR人脸库上的实验表明,提出的方法优于传统的2DCCA.     

基于CCA的增强线性鉴别分析

为了有效地融合Fisher线性鉴别分析与最大散度差鉴别分析所抽取的特征，得到更加全面反映原始样本的鉴别特征集，提出了基于典型相关分析的增强线性鉴别分析方法．利用Fisher线性鉴别分析和最大散度差鉴别分析方法提取两组鉴别特征，根据典型相关分析对这两组特征进行融合，获得更具鉴别力的典型鉴别特征．经过ORL标准人脸库实验，验证了所提算法的有效性．     

基于不相关局部敏感鉴别分析的新生儿疼痛表情识别

针对新生儿疼痛表情识别中的特征提取问题,提出一种不相关局部敏感鉴别分析（Uncorrelated Locality Sensitive Discriminant Analysis,ULSDA）算法.首先,在局部敏感鉴别分析（LSDA）算法的基础上,通过附加投影向量正交性的约束条件,定义了ULSDA的目标函数;然后,推导出求解特征子空间正交投影向量的迭代公式;最后,将输入的高维图像数据投影到这个特征子空间,求出特征向量.ULSDA算法不仅继承了LSDA算法所具有的有监督、局部流形结构保持等特性,而且消除了LSDA算法所提取出的鉴别特征的相关性,从而增强了特征的鉴别能力,比LSDA算法具有更好的分类识别能力.在新生儿表情图像库上的疼痛表情识别实验结果表明,提出的ULSDA方法是有效可行的.当每类表情的训练样本图像为150幅时,采用ULSDA算法获得的平均识别率达到了82.07％,优于主成分分析（PCA）、线性鉴别分析（LDA）、局部敏感鉴别分析（LSDA）等特征提取方法.     

基于CCA的增强线性鉴别分析

为了有效地融合Fisher线性鉴别分析与最大散度差鉴别分析所抽取的特征,得到更加全面反映原始样本的鉴别特征集,提出了基于典型相关分析的增强线性鉴别分析方法.利用Fisher线性鉴别分析和最大散度差鉴别分析方法提取两组鉴别特征,根据典型相关分析对这两组特征进行融合,获得更具鉴别力的典型鉴别特征.经过ORL标准人脸库实验,验证了所提算法的有效性.     

大间距无相关边界Fisher鉴别分析

针对边界Fisher鉴别分析方法存在的小样本问题以及所求出的鉴别矢量集缺少约束限制的缺陷,提出了一种大间距无相关边界Fisher鉴别分析方法.该方法采用最大化描述样本数据可分性和紧致性的矩阵之差作为目标函数,避免了边界Fisher鉴别分析的小样本问题;对于无相关鉴别矢量集的求解,给出了先构造无相关空间,再进行特征值分解的求解策略.仿真结果表明,该方法在识别性能上优于已有的边界Fisher鉴别分析及其改进方法,且避免了使用繁琐的迭代方法求解不相关鉴别矢量集,具有一定的实用价值.     

基于扰动方法的广义最佳鉴别矢量集求解的一种解析算法

对广义最佳鉴别矢量的求解方法进行研究,根据矩阵的扰动理论,改进了作者最近提出的求解广义最佳鉴别矢量的一种解析算法,提出了求解广义最佳鉴别矢量的一种新的解析算法.该算法运行时间短且识别率不劣于老算法,在ORL人脸数据库进行的数值实验,验证了上述论断的正确性.     

GaAlAs/GaAs平面波导串联矩形谐振腔滤波器的研究

A study has been made on the essence of optimal uncorrelated discriminant vectors. A whitening transform has been constructed by means of the eigen decomposition of the population scatter matrix, which makes the population scatter matrix be an identity matrix in the transformed sample space no matter whether the population scatter matrix is singular or not. Thus, the optimal discriminant vectors solved by the conventional linear discriminant analysis (LDA) methods are statistically uncorrelated. The research indicates that the essence of the statistically uncorrelated discriminant transform is the whitening transform plus conventional linear discriminant transform. The distinguished characteristics of the proposed method is that the obtained optimal discriminant vectors are not only orthogonal but also statistically uneorrelated. The proposed method is applicable to all the problems of algebraic feature extraction. The numerical experiments on several facial databases show the effectiveness of the proposed method.     

一种改进的最佳鉴别平面

在模式识别领域,基于Ｆｉｓｈｅｒ鉴别准则函数的Ｓａｍｍｏｎ最佳鉴别平面技术有着重大的影响。特征抽取的一般原则是最好抽取模式朱相关的特征,而Ｓａｍｍｏｎ最佳鉴别平面的２个鉴别投影方向虽然是正交的,但一般也是统计相关的。实验结果表明,改进的最佳鉴别平面具有良好分类效果。     

改进的线性判别分析算法及其在人脸识别中的应用

提出了一种改进的线性判别分析(LDA)算法,能有效地解决传统LDA算法的两个局限,即小样本问题及在多类情况下传统的Fisher准则非最优．该算法还能提高某一(几)个指定类别的分类率．这种算法的关键在于使用不损失“有判别力信息”的方法来降维,同时在传统的Fisher准则中引入加权函数,得到与分类率直接相关的改进准则．在ORL人脸数据库上的比较实验结果证实了该算法的有效性．     

Face Recognition Using Kernel Discriminant Analysis

Linear Discrimiant Analysis (LDA) has demonstrated their success in face recognition. But LDA is difficult to handle the high nonlinear problems, such as changes of large viewpoint and illumination in face recognition. In order to overcome these problems, we investigate Kernel Discriminant Analysis (KDA) for face recognition. This approach adopts the kernel functions to replace the dot products of nonlinear mapping in the high dimensional feature space, and then the nonlinear problem can be solved in the input space conveniently without explicit mapping. Two face databases are used to test KDA approach. The results show that our approach outperforms the conventional PCA(Eigenface) and LDA(Fisherface) approaches.