【摘要】：針對拉普拉斯特征映射(LE)只能保持局部近鄰信息,對新測試點無法描述的不足,提出一種基于二維核主成分分析的拉普拉斯特征映射算法(2D-KPCA+LE)。與核二維主成分分析算法(K2DPCA)不同,該算法首先對訓(xùn)練樣本空間進(jìn)行二維主成分分析(2DPCA),在保留樣本空間結(jié)構(gòu)信息的同時通過去相關(guān)性得到低秩的投影特征矩陣;然后用核主成分分析法(KPCA)提取全局非線性特征;由于其核函數(shù)需要大量存儲空間,再用拉普拉斯特征映射(LE)進(jìn)行降維。在ORL和FERET人臉數(shù)據(jù)庫中的仿真實驗結(jié)果表明,基于2D-KPCA的拉普拉斯特征映射算法不但可以有效處理復(fù)雜的非線性特征,還可以降低算法復(fù)雜度,提高流形學(xué)習(xí)的識別率。
[Abstract]:In view of the deficiency that Laplace feature mapping (LE) can only preserve local nearest neighbor information and cannot be described at new test points, a Laplace feature mapping algorithm (2D-KPCA LE).) based on two-dimensional kernel principal component analysis (2D-KPCA LE).) is proposed. Different from the kernel two-dimensional principal component analysis (K2DPCA) algorithm, this algorithm firstly carries out two-dimensional principal component analysis (2DPCA) on the training sample space, and obtains the low-rank projection feature matrix by de-correlation while preserving the structure information of the sample space. Then the kernel principal component analysis (KPCA) is used to extract the global nonlinear features, and because the kernel function needs a lot of storage space, the Laplace feature mapping (LE) is used to reduce the dimension. The simulation results in ORL and FERET face database show that the Laplace feature mapping algorithm based on 2D-KPCA can not only deal with complex nonlinear features effectively, but also reduce the complexity of the algorithm and improve the recognition rate of manifold learning.
【作者單位】： 貴州大學(xué)數(shù)學(xué)系;貴州大學(xué)計算機科學(xué)系;
【基金】：國家自然科學(xué)基金資助項目(61262006,61540050) 貴州省重大應(yīng)用基礎(chǔ)研究項目(黔科合JZ字[2014]2001) 貴州省科技廳聯(lián)合基金資助項目(黔科合LH字[2014]7636號)
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林和平;蘇子義;曹志勝;;邏輯特征映射網(wǎng)絡(luò)在教師考評工作中的應(yīng)用研究[J];計算機工程與科學(xué);2007年10期

2 韓文峰;王靜茹;艾洪福;;邏輯特征映射網(wǎng)絡(luò)在教學(xué)評價中的應(yīng)用研究[J];東北師大學(xué)報(自然科學(xué)版);2009年03期

3 張亮;杜子平;張俊;李楊;;基于拉普拉斯特征映射的仿射傳播聚類[J];計算機工程;2011年09期

4 沈海燕;李軍偉;;基于STEP的特征映射器的研究[J];科學(xué)技術(shù)與工程;2008年11期

5 楊世錫,胡小平;面向?qū)ο蟮碾p向特征映射技術(shù)與實現(xiàn)[J];計算機集成制造系統(tǒng)-CIMS;1999年02期

6 宋玉銀,褚秀萍,蔡復(fù)之;基于知識的特征映射方法及其應(yīng)用研究[J];河北理工學(xué)院學(xué)報;1999年01期

7 李克天,何漢武,鄭德濤,陳統(tǒng)堅;箱體零件特征映射及信息集成[J];制造業(yè)自動化;2001年01期

8 陳云富;李田田;;特征映射器的研究[J];科學(xué)技術(shù)與工程;2007年06期

9 方敬;肖揚;;醫(yī)學(xué)超聲波圖像的邊界保護(hù)濾波及特征映射補償[J];北京交通大學(xué)學(xué)報;2004年02期

10 蔣全勝;賈民平;胡建中;許飛云;;基于拉普拉斯特征映射的故障模式識別方法[J];系統(tǒng)仿真學(xué)報;2008年20期

相關(guān)博士學(xué)位論文 前2條

1 竇萬峰;并行工程環(huán)境下的多域特征映射研究[D];西安電子科技大學(xué);1998年

2 李春書;產(chǎn)品數(shù)字化裝配與CAD集成理論與技術(shù)研究[D];天津大學(xué);2000年

相關(guān)碩士學(xué)位論文 前7條

1 羅軍;基于拉普拉斯特征映射的旋轉(zhuǎn)機械故障診斷方法研究[D];湖南科技大學(xué);2015年

2 吳哲;基于特征映射的運動分析與識別[D];上海交通大學(xué);2013年

3 潘榮英;關(guān)于拉普拉斯特征映射的一些想法[D];上海交通大學(xué);2009年

4 傅雅琦;四維球面到球面間特征映射的構(gòu)造[D];北京交通大學(xué);2010年

5 翁時鋒;自適應(yīng)SOM特征映射研究[D];清華大學(xué);2003年

6 尚素霞;球面間S~4→S~7間的二次特征映射的分類[D];北京交通大學(xué);2011年

7 李維;基于特征映射并行估算方法的手機平板視窗工藝成本分析[D];上海交通大學(xué);2008年

，

本文編號：2268754