论文部分内容阅读
特征提取或数据降维是模式识别中的一个关键问题,它的基本任务是研究如何从众多数据特征中求出那些对分类识别最有效的特征,从而实现对特征空间维数的压缩。本文对一种主要的线性降维技术和两种非线性降维技术作了深入的研究,并针对特征提取技术在人脸识别领域的应用提出了几种改进的算法,主要工作如下:1.提出了一种改进的主成分分析方法。该算法根据人脸样本的先验类别信息,使用样本的类内协方差矩阵作为产生矩阵,并利用类内均值向量和类间协方差矩阵来对PCA变换后的特征向量进行刷选,能使投影后的样本能尽量的保持原有的分类信息,以提高识别效率。2.在局部线性嵌入算法的基础上,针对样本可能分布不均的情况,使用一种新的距离使得处于样本密集区的样本之间的距离增大,而使得处于样本稀疏的区域的样本之间的距离缩小,其结果使样本集的整体分布趋于均匀化,从而降低参数k的取值对算法的影响。并且针对局部线性嵌入算法对新样本进行特征提取的不便,提出了一种利用邻接点求取其低维嵌入向量的方法。3.结合改进的主成分分析方法和局部保持投影方法,得到一种改进的局部投影方法,该方法同时具有监督特性和流形学习两个特点,获得的低维特征向量考虑了样本的非线性流形结构,具有较好的鉴别能力。