基于流形學習和核學習的生物特征識別研究.pdf_第1頁
已閱讀1頁,還剩73頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領

文檔簡介

1、流形學習是近年來發(fā)展起來的一種非線性降維方法,其設計思想是在保留數(shù)據(jù)近鄰關系的同時降低數(shù)據(jù)的維數(shù)。本論文對傳統(tǒng)的流形學習做了進一步的推廣,通過將數(shù)據(jù)映射到核空間、直接對二維圖像數(shù)據(jù)進行投影和增加L1范數(shù)約束等方法來改善傳統(tǒng)流形學習中的參數(shù)選擇、判別力不足和噪聲點敏感等不足,并將改進的算法應用于人臉、掌紋、MRCP(Movement-related Cortical Potentials)信號的識別。本文的主要貢獻如下:
  (1)

2、提出了一個有監(jiān)督的核優(yōu)化局部保持映射算法(SKOLPP)。核局部保持映射算法(KLPP)能夠通過核方法有效地保持數(shù)據(jù)的局部結(jié)構(gòu)信息,有監(jiān)督的核局部保持映射(SKLPP)利用類標簽保持了類內(nèi)的幾何結(jié)構(gòu),然而SKLPP算法一直存在著核函數(shù)和核參數(shù)的選擇問題,SKOLPP通過構(gòu)造一個數(shù)據(jù)依賴核和Fisher準則最大化類別分類信息來解決這一問題。ORL、Yale、AR和掌紋數(shù)據(jù)集上的實驗表明該算法的有效性。
  (2)提出了二維判別鄰域保

3、持嵌入(2DDNPE)。該算法結(jié)合了兩種策略的優(yōu)點:近似判別準則和基于二維矩陣的映射。首先,近似判別準則能在拉普拉斯特征映射和LLE構(gòu)造的交叉特征空間中進行判別分析,并且能夠通過最小化類內(nèi)距離和最大化類間距離來提高判別能力。其次,該算法沒有先把二維圖像矩陣轉(zhuǎn)化為一維向量,而是直接對二維圖像矩陣進行投影來提取特征信息。這樣不僅能保持圖像的空間結(jié)構(gòu)信息,而且避免了小樣本問題。在UMIST、Yale和AR上的實驗表明,2DDNPE能夠有效的提

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論