基于流形學習和核學習的生物特征識別研究.pdf

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