一种改进的核二维主成分分析人脸识别算法

结合二维主成分分析(two-dimensional principal component analysis,2DPCA)、核二维主成分分析(kernel two-dimensional principal component analysis,K2DPCA)、二维最佳判别式(two-dimensional Linear Discriminant Analysis,2DLDA)的特点,本文提出了一种改进的核二维主成分分析人脸识别算法,可以巧妙地将图像同时映射到最佳投影空间和最优判别空间。首先通过标准的K2DPCA算法在图像的行方向上去相关性;其次在K2DPCA空间通过2DLDA算法对图像做进一步投影;最后利用最近邻准则分类器计算相似度进行判别。在标准人脸库ORL和Yale进行验证,结果表明,所提出算法可以获得更高的识别率。     

基于二维 PLA 的半监督动态人脸识别算法

提出一种结合二维PCA和二维LDA的降维方法,并将方法应用于人脸识别研究.对传统的半监督模糊聚类算法进行改造,使之可以直接用于二维数据矩阵进行动态聚类,并据此设计了一种动态学习算法.实验结果表明,与其他降维方法和聚类算法比较,这种结合了二维LDA的半监督聚类模型具有更好的识别率.     

二维经验模态分解法在漏磁图像处理中的应用

采用图像方法可以更加直观地对管道漏检测中的缺陷进行判断,但在图像数据的采集过程中噪声是不可避免的。采用二维经验模态分解(BEMD)与均值滤波法相结合的方法对漏磁图像进行去噪处理,将图像信号分解为有限个二维固有模态函数(BIMF)和一个残余分量,将残余分量保留,对BIMF分别进行均值滤波,再将处理后的BIMF分量与残差一起重构图像,所得重构图像在保留原图像基本信息的基础上,消除了大量噪声信息。文中还直接采用均值滤波方法对漏磁图像进行去噪处理,通过信噪比的比较,表明BEMD方法用于漏磁图像去噪效果明显。     

基于一维经验模式分解与梯度脸的人脸光照处理算法

提出一种基于一维经验模式分解与梯度脸的人脸光照处理算法。首先将人脸图像分别进行水平方向和垂直方向的一维经验模式分解,分解层数为一层,分解完成后将两张图像相加。重构后的人脸图像用梯度脸对其高频成分进行增强。运用主成分分析法对人脸图像进行降维处理,采用基于余弦距离的k近邻进行分类判别。在Yale B正面人脸库中的实验结果表明,选择适当的参数,利用算法能有效减少人脸光照的影响,对不同角度的光照具有很好的鲁棒性。     

一种基于PCA类内平均脸法和支持向量机模型的人脸识别算法

针对现有人脸识别算法存在的一些问题,利用PCA类内平均脸方法对获得的人脸图像数据进行预处理,再通过支持向量机模型对其进行分类和识别。最后,以具体的实验数据验证了所使用PCA-SVM算法的有效性,为日后对人脸识别技术的继续研究提供了依据。     

经验模式分解的滤波器特性及其在故障检测中的应用

对经验模式分解(EMD,Empirical Mode Decomposition)的滤波器特性进行了研究.事实上,EMD的倍频程滤波器特性在几年前就被发现了,在此基础上,针对EMD滤波器的其他特性展开了研究.首先,对EMD滤波器的自适应特性展开了研究,其自适应特性除了表现为倍频程滤波器的形式,还有两个表现:其一是滤波器的上限频率随信号自身的上限频率而定,另一表现是每一个IMF滤波器的形式不仅与信号频率有关,还与信号的结构有关.利用EMD的自适应特性,建立了一种新的信号表示方法,与已有的EMD方法相比,该方法可以提供更多的关于信号的信息.还对该方法进行了相关的讨论.     

二维非线性鉴别分析及人脸识别

二维最大散度差线性鉴别分析方法不仅有效地避免了在人脸识别中传统的Fisher线性鉴别分析通常存在的“小样本问题”,而且使其特征抽取的速度有了大幅度的提高．本文通过引入著名的“核技巧”,将二维最大散度差线性鉴别分析扩展到非线性空间,提出了一种新的二维核最大散度差鉴别分析方法．该方法不仅抽取了图像中更加有效的非线性鉴别特征,使正确识别率显著提高,而且为二维非线性鉴别分析提供了一个统一的构架．最后在AR标准人脸库中的实验结果验证了本文算法的有效性．     

基于改进2D-DLPP算法的人脸识别

在二维局部保持投影中引入类间结构信息和类标签,得到有监督的二维判别局部保持投影算法,从而提高了特征集的鉴别性。针对算法中参数的选取问题,建立无参数权重矩阵,提出无参数的二维判别局部保持投影(无参数2D-DLPP)算法。在Yale和ORL人脸库上的仿真实验结果表明,该算法与二维判别局部保持投影(2D-DLPP)、二维局部保持投影法(2D-LPP)和二维线性判别分析法(2D-LDA)相比能够取得更高的识别率。     

基于EMD的运动想象脑电特征提取与识别

针对运动想象脑电特征的提取与识别,提出了一种采用经验模态分解(EMD)提取脑电信号能量特征与幅值特征的分类识别方法。首先用时间窗对脑电信号进行细分;然后利用EMD方法对细分后的数据进行分解,取前三阶的固有模态函数分量(IMF),提取能量和平均幅值差作为特征向量;最后,使用支持向量机对左右手运动想象进行分类识别。多次仿真试验数据表明,分类准确度达到88.57%,证明了该方法有效、适用。     

现代信号分析技术的经验模式分解方法

经验模式分解是一种优秀的信号分析方法,它克服了傅里叶分析、小波分析的缺点,能够自适应地分析非线性、非平稳信号,因此在很短的时间内就得到了广泛的应用.本文在分析传统信号分析方法优缺点的基础上,重点论述了经验模式分解的理论基础、算法流程和该方法的优点及热点研究问题.     

基于EEMD和LS-SVM的癫痫脑电信号识别

针对癫痫脑电(EEG)信号的非平稳性和非线性,提出一种基于集合经验模式分解(EEMD)提特征并利用最小二乘支持向量机(LS-SVM)的脑电信号分类方法。首先利用EEMD将EEG信号分成多个经验模式分量,得到各阶本征模式分量(IMF),然后提取有效特征,最后用LS-SVM对其进行分类,实验结果表明,该方法对癫痫发作间歇期和发作期EEG的提特征后分类识别正确率达到98%。     

图像二维鉴别特征矩阵融合及人脸识别

二维最大散度差鉴别准则和二维Fisher鉴别准则抽取的特征具有很强的相关性.本文在此基础上,通过对传统的基于向量的典型相关分析方法进行分析改进,提出了一种新的直接基于图像二维鉴别特征矩阵融合的二维典型相关分析方法,并将其应用于人脸识别的特征融合过程中.较基于向量的典型相关分析,该方法计算过程中构造的协方差矩阵维数大幅度减小.这在一定程度上避免了人脸识别中存在的"高维小样本问题",另一方面也使算法的速度明显提高.     

基于小波变换和支持向量机的人脸识别系统设计

小波变换能够充分突出某些特征的主要特点,通过小波变换可以将一张高维数的图片变换成低维数的图片,且人脸识别所需要的主要特征保持不变,通过主成份分析可以进一步降维。改进了基于小波变换和主成份分析提取特征〖JP〗向量的人脸识别方法,开发了基于小波变换及支持向量机的人脸识别系统,实现了对普通图片和视频的人脸识别。     

基于支持向量机的人脸融合特征提取方法

针对人脸识别系统中的主成分分析和线性判别分析两种特征提取方法的优缺点,提出了一个融合特征提取方法,并构造了一个能够将图像数据空间的人脸映射到人脸特征空间中并实施识别的实验系统。最后分析了该系统的构成与特点,并给出了实验测试结果。     

一种改进的特征提取模型及其算法

在已有支持向量机的特征提取模型的基础上,通过引入一个向量函数,使原有的模型得到进一步改进,从而大大降低了问题的规模.文中给出了一种模拟退火算法求解得到的模型.该算法在传统的模拟退火算法的基础上增加了局部极小化和Markov链长度调整过程.     

基于奇异值分解和支持向量机的故障诊断方法研究

针对设备故障信号的微弱和噪声干扰严重问题,提出了基于奇异值分解和支持向量机的故障诊断方法.利用聚类分析的方法预处理设备的状态信号,剔除信号的异常点,以提高信号的准确性.对预处理后的信号进行构造矩阵和奇异值分解,选择恰当的窗口长度,以奇异值作为信号特征.支持向量机对信号特征进行识别和分类,为了避免支持向量机在多状态分类中输出的不确定性,记录支持向量机的训练输出作为决策表.支持向量机测试时的输出与决策表比对,以提高诊断结果的可靠性.最后,通过对比试验验证了基于奇异值分解和支持向量机的方法可以对设备进行可靠、准确、快速的故障诊断.     

一种基于外观的人脸描述和识别的方法--二维主成分分析法

二雏主成分分析(2DPCA)是一种图像表示的新技术，与PCA相比，2DPCA的基础是二雏图像矩阵。而不是一维向量，因此，在特征提取之前图像矩阵不需要预先转变为一维向量，实验结果表明，使用2DPCA的识别率均高于PCA，而且2DPCA在图像特征提取方面比PCA更有效。     

SVM中一种新的减样方法

<正>支持向量机(support vector machine,SVM) (文献[1-2])是近几年来的研究热点,特别是使用SVM进行分类获得了极大的成功。然而当样本较大时,运算速度比较慢,使其应用受到了局限。文献[3]提出了中心支持向量机,它把以往的支持向量机同中心向量结合使用,改善了最优超平面     

基于稀疏分解和支持向量机的医学影像追踪法

以肺癌患者计算机断层扫描图像中的肿瘤追踪为例,提出一种基于稀疏分解和支持向量机的新型医学影像内目标物体追踪算法被提出。首先,split-Bregman理论被运用在分解医学影像中:每一幅医学图像都被分解成一副含有较多运动信息的低秩图像和一幅含有较多噪声信息的稀疏图像。其次,支持向量机被运用在低秩图像中,使得低秩图像内的像素点被区分为来自肿瘤区域的像素点和来自非肿瘤区域的像素点,从而达到在医学影像中分割和追踪肿瘤的目的。实验表明,该算法在肺癌患者医学影像的肿瘤追踪实例中能取得较其他比较方法更为准确的追踪效果。     

一种新的模糊支持向量机方法

针对分类问题的支持向量机方法中存在对噪声和野值敏感的问题,提出了一种新的隶属度函数确定方法．研究和分析了目前针对这些问题所提出的模糊支持向量机方法,而在模糊支持向量机方法中,隶属度函数的设计是整个模糊算法的关键所在,文中主要对隶属度函数进行了深入地研究,在类中心向量方法的基础上,即在确定样本的隶属度时,对类中心距离方法进行改进,得到新的隶属度计算的方法,并从数值实验方面表明该方法的有效性和可行性．