近几年局部流形学习算法研究得到了广泛的关注,如局部线性嵌入以及局部切空间排列算法等.这些算法都是基于局部可线性化的假设而提出的,但局部是否可线性化的问题没有得到很好有效的解决,使得目前的降维算法对自然数据效果不佳.自然数...近几年局部流形学习算法研究得到了广泛的关注,如局部线性嵌入以及局部切空间排列算法等.这些算法都是基于局部可线性化的假设而提出的,但局部是否可线性化的问题没有得到很好有效的解决,使得目前的降维算法对自然数据效果不佳.自然数据中有很多是稀疏的,对稀疏数据的降维是局部线性嵌入算法所面临的一个问题.基于对数据自然属性的考虑,利用数据的统计信息动态确定局部线性化范围,依据数据的分布提出一种排列的稀疏局部线性嵌入算法(Sparse local linear embedding algorithm,SLLEA).在数据集稀疏的情况下,该算法能够很好地把握数据的局部和整体信息.将该算法应用于手工流形及图像检索等试验中,验证了该算法的有效性.展开更多
微表情是一个人试图隐藏内心真实情感却又不由自主流露出的不易被察觉的面部表情。与一般面部表情相比,微表情最显著的特点是持续时间短、强度弱,往往难以有效识别。文中提出了一种基于LBP-TOP(Local Binary Pattern from Three Orthogo...微表情是一个人试图隐藏内心真实情感却又不由自主流露出的不易被察觉的面部表情。与一般面部表情相比,微表情最显著的特点是持续时间短、强度弱,往往难以有效识别。文中提出了一种基于LBP-TOP(Local Binary Pattern from Three Orthogonal Planes)特征和支持向量机(Support Vector Machine,SVM)分类器的微表情识别方法。首先,采用LBP-TOP算子来提取微表情特征;然后,提出一种基于ReliefF与局部线性嵌入(Locally Linear Embedding,LLE)流形学习算法相结合的特征选择算法,对提取的LBP-TOP特征向量进行降维;最后,使用径向基函数(Radial Basis Function,RBF)核的SVM分类器进行分类,将测试样本图像序列的微表情分为5类:高兴、厌恶、压抑、惊讶、其他。在CASME Ⅱ微表情数据库上采用"留一人交叉验证"(Leave-One-Subject-Out Cross Validation,LOSO-CV)的方式进行了实验,可得到58.98%的分类准确率。实验结果表明了该算法的有效性。展开更多
在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构。支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器。为此,提出一种增强的LLE(Locally Linear Em- bedding)和SVM(support Vector Machine...在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构。支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器。为此,提出一种增强的LLE(Locally Linear Em- bedding)和SVM(support Vector Machine)结合的人像识别方法,采用PCA(Principal Component Analysis)与LLE相结合算法,对光照归一化处理过的人脸图像进行特征提取,利用SVM的分类机制对人脸图像样本集进行训练和识别。在ORL(Olivetti Research Laboratory)人脸数据库上实验表明,该算法稳健、快速,识别率达到了90%以上。展开更多
LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理...LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理结果,实现增量处理.实验表明该算法是有效的.展开更多
局部线性嵌入算法(Locally Linear Embedding LLE)是一种功能强大的数据降维方法,但它在处理稀疏数据源时的失效问题限制了其广泛应用,且至今没有一个完善的解决方案。为解决这一问题,从算法原理和执行过程两方面分析算法失效原因,把算...局部线性嵌入算法(Locally Linear Embedding LLE)是一种功能强大的数据降维方法,但它在处理稀疏数据源时的失效问题限制了其广泛应用,且至今没有一个完善的解决方案。为解决这一问题,从算法原理和执行过程两方面分析算法失效原因,把算法的两个优化过程联合优化,对算法进行改进。通过对S曲线稀疏采样模拟稀疏数据源,把改进前后的算法对样本点实验结果进行对比,验证了算法改进的有效性;同时,用改进后的算法处理人脸数据,展示了改进后算法的实用价值。改进后的算法将进一步促进局部线性嵌入在工程和研究领域的应用,极大地改善了算法的性能。展开更多
文摘近几年局部流形学习算法研究得到了广泛的关注,如局部线性嵌入以及局部切空间排列算法等.这些算法都是基于局部可线性化的假设而提出的,但局部是否可线性化的问题没有得到很好有效的解决,使得目前的降维算法对自然数据效果不佳.自然数据中有很多是稀疏的,对稀疏数据的降维是局部线性嵌入算法所面临的一个问题.基于对数据自然属性的考虑,利用数据的统计信息动态确定局部线性化范围,依据数据的分布提出一种排列的稀疏局部线性嵌入算法(Sparse local linear embedding algorithm,SLLEA).在数据集稀疏的情况下,该算法能够很好地把握数据的局部和整体信息.将该算法应用于手工流形及图像检索等试验中,验证了该算法的有效性.
文摘在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构。支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器。为此,提出一种增强的LLE(Locally Linear Em- bedding)和SVM(support Vector Machine)结合的人像识别方法,采用PCA(Principal Component Analysis)与LLE相结合算法,对光照归一化处理过的人脸图像进行特征提取,利用SVM的分类机制对人脸图像样本集进行训练和识别。在ORL(Olivetti Research Laboratory)人脸数据库上实验表明,该算法稳健、快速,识别率达到了90%以上。
文摘LLE(Locally Linear Embedding)算法是一种较好的流形学习算法,但它只能以批处理的方式进行.只要有新的样本加入,就必须重作该算法的全部内容,而原处理结果被全部丢弃.本文提出了一种基于正交迭代的增量LLE算法,能有效地利用前面的处理结果,实现增量处理.实验表明该算法是有效的.
文摘局部线性嵌入算法(Locally Linear Embedding LLE)是一种功能强大的数据降维方法,但它在处理稀疏数据源时的失效问题限制了其广泛应用,且至今没有一个完善的解决方案。为解决这一问题,从算法原理和执行过程两方面分析算法失效原因,把算法的两个优化过程联合优化,对算法进行改进。通过对S曲线稀疏采样模拟稀疏数据源,把改进前后的算法对样本点实验结果进行对比,验证了算法改进的有效性;同时,用改进后的算法处理人脸数据,展示了改进后算法的实用价值。改进后的算法将进一步促进局部线性嵌入在工程和研究领域的应用,极大地改善了算法的性能。
