本文選題：回歸擬合 + 復(fù)數(shù)空間　； 參考：《南京大學學報(自然科學)》2017年06期

【摘要】：以稀疏表示為代表的回歸分類方法對于高斯噪聲具有較好的魯棒性,但容易受到訓練樣本中離群點數(shù)據(jù)的影響導致欠擬合或過擬合.通過探索余弦函數(shù)對離群數(shù)據(jù)呈現(xiàn)的周期不敏感特性,使用余弦函數(shù)來刻畫回歸殘差,并在復(fù)數(shù)域空間進行稀疏回歸,提出了三角稀疏回歸分類器(TSRC)模型.考慮到模型的非凸特性,普通的迭代算法難以獲得全局最優(yōu)解.因此,通過三角函數(shù)演算與核函數(shù)技巧將TSRC轉(zhuǎn)化為一個凸優(yōu)化問題,使用交替方向乘子法(ADMM)對模型進行求解,核函數(shù)的計算過程從核空間角度解釋了模型對離群點魯棒的本質(zhì)原因,通過歐拉公式能夠完全避開復(fù)數(shù)域的計算過程,從而起到加速的作用.在AR,Extend-YaleB及NUST-RF帶有遮擋和光照變化的人臉識別數(shù)據(jù)集上進行了識別率與速度的實驗,驗證了所提出模型的有效性,在Extend-YaleB數(shù)據(jù)集上測試了所提出方法在不同尺度的訓練樣本下的運行效率,并與現(xiàn)階段先進方法進行了對比.
[Abstract]:The regression classification method, represented by sparse representation, is robust to Gao Si noise, but it is easy to be influenced by outlier data in training samples, resulting in under-fitting or over-fitting. By exploring the periodicity insensitivity of cosine function to outlier data, using cosine function to depict regression residuals and sparse regression in complex domain space, a triangular sparse regression classifier (TSRC) model is proposed. Considering the nonconvexity of the model, it is difficult to obtain the global optimal solution by the common iterative algorithm. Therefore, TSRC is transformed into a convex optimization problem by trigonometric function calculus and kernel function technique, and the model is solved by alternating direction multiplier method (ADMMM). The calculation process of kernel function explains the essential reason that the model is robust to outliers from the point of view of kernel space. Eulerian formula can completely avoid the calculation process of complex field and thus play an accelerating role. Experiments on the recognition rate and speed of the face recognition data set with occlusion and illumination variation in ARN Extend-YaleB and NUST-RF are carried out to verify the effectiveness of the proposed model. The efficiency of the proposed method in different scale training samples is tested on the Extend-YaleB dataset and compared with the advanced methods at present.
【作者單位】： 金陵科技學院計算機工程學院;南京理工大學計算機科學與技術(shù)學院;東南大學自動化學院;
【基金】：江蘇省高等學校自然科學研究重大資助經(jīng)費項目(17KJA520001) 江蘇省研究生科研創(chuàng)新計劃項目(KYCX17_0361)
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 張新鵬;王朔中;;基于稀疏表示的密寫編碼[J];電子學報;2007年10期

2 李映;張艷寧;許星;;基于信號稀疏表示的形態(tài)成分分析:進展和展望[J];電子學報;2009年01期

3 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動提取方法[J];光譜學與光譜分析;2009年07期

4 楊蜀秦;寧紀鋒;何東健;;基于稀疏表示的大米品種識別[J];農(nóng)業(yè)工程學報;2011年03期

5 史加榮;楊威;魏宗田;;基于非負稀疏表示的人臉識別[J];計算機工程與設(shè)計;2012年05期

6 高志榮;熊承義;笪邦友;;改進的基于殘差加權(quán)的稀疏表示人臉識別[J];中南民族大學學報(自然科學版);2012年03期

7 朱杰;楊萬扣;唐振民;;基于字典學習的核稀疏表示人臉識別方法[J];模式識別與人工智能;2012年05期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識別[J];計算機工程與應(yīng)用;2013年05期

9 李正周;王會改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標檢測[J];彈箭與制導學報;2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識別算法研究[J];模式識別與人工智能;2014年01期

相關(guān)會議論文 前1條

1 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標識別[A];2013年中國智能自動化學術(shù)會議論文集（第五分冊）[C];2013年

相關(guān)博士學位論文 前10條

1 李進明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學;2015年

2 姚明海;視頻異常事件檢測與認證方法研究[D];東北師范大學;2015年

3 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學;2015年

4 薛明;基于稀疏表示的在線目標跟蹤研究[D];上海交通大學;2014年

5 程廣濤;基于壓縮感知的人臉識別方法研究[D];天津大學;2015年

6 黃丹丹;基于稀疏表示的視覺目標跟蹤方法研究[D];大連理工大學;2016年

7 趙淑歡;欠完備采樣環(huán)境下面向數(shù)據(jù)的稀疏表示人臉識別研究[D];燕山大學;2016年

8 劉海倉;基于稀疏表示的圖像超分辨率與目標跟蹤方法研究[D];湖南大學;2015年

9 項鳳濤;基于稀疏表示與優(yōu)化的圖像信息處理方法及應(yīng)用[D];國防科學技術(shù)大學;2014年

10 劉兆棟;基于稀疏表示理論的圖像去噪與融合算法研究[D];重慶大學;2016年

相關(guān)碩士學位論文 前10條

1 王道文;基于稀疏表示的目標跟蹤算法研究[D];華南理工大學;2015年

2 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學;2015年

3 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學;2015年

4 趙孝磊;基于圖像分塊稀疏表示的人臉識別算法研究[D];南京信息工程大學;2015年

5 黃志明;基于辨別式稀疏字典學習的視覺追蹤算法研究[D];華南理工大學;2015年

6 張鈴華;非約束環(huán)境下的稀疏表示人臉識別算法研究[D];南京信息工程大學;2015年

7 應(yīng)艷麗;基于低秩稀疏表示的目標跟蹤算法研究[D];西南交通大學;2015年

8 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類法的實時人臉識別系統(tǒng)應(yīng)用研究[D];五邑大學;2015年

9 陳蒙;基于稀疏表示特征的人臉識別方法研究[D];深圳大學;2015年

10 袁文;基于稀疏表示的行人檢測方法研究[D];南京理工大學;2015年

，

本文編號：1947468