线性鉴别分析

摘要： 主成分分析算法(PCA)和线性鉴别分析算法(LDA)被广泛用于人脸识别技术中,但是PCA由于其计算复杂度高,致使人脸识别的实时性达不到要求.线性鉴别分析算法存在"小样本"和"边缘类"问题,降低了人脸识别的准确性.针对上述问题,提出使用二维主成分分析法(2DPCA)与改进的线性鉴别分析法相融合的方法.二维主成分分析法提取的特征比一维主成分分析法更丰富,并且降低了计算复杂度.改进的线性鉴别分析算法重新定义了样本类间离散度矩阵和Fisher准则,克服了传统线性鉴别分析算法存在的问题,保留了最有辨别力的信息,提高了算法的识别率.实验结果表明,该算法比主成分分析算法和线性鉴别分析算法具有更高的识别率,可以较好地用于人脸识别任务.

摘要： 针对主成分分析(PCA)未充分利用样本类别信息及线性鉴别(LDA)在小样本时识别率低的问题,提出了一种基于PCA和LDA相融合的人脸识别算法.该算法首先将输入人脸图像进行几何位置规范化和灰度分布均衡化预处理;然后利用PCA算法将人脸训练图像投影到低秩特征子空间,利用LDA算法计算类间离散度大、类内离散度小的特征子空间,从而获得PCA-LDA的人脸融合特征空间;最后将训练样本、测试样本投影至融合的特征空间,并利用最近邻准则实现对测试样本的识别.实验结果表明,该算法能够有效融合PCA和LDA的优势,提高系统识别的鲁棒性和效率.

摘要： 为了有效地融合多视图信息并使有利于多视图完整子空间学习的视图主导多视图学习,提出了多视图协同完整子空间学习策略.进一步,为了使对象在潜在完整子空间中的完整特征表示具有更好的鉴别能力,将Fisher鉴别分析引入到了多视图完整子空间学习中.Fisher鉴别分析可以在最小化对象的完整特征表示的类内散度的同时最大化对象的完整特征表示的类间散度.将多视图协同完整空间学习策略和Fisher鉴别分析融合在一起,提出了鲁棒多视图协同完整鉴别子空间学习算法.实验结果表明,所提算法能够有效地融合多视图信息并挖掘鉴别信息,是一种有效的多视图完整子空间学习算法.

摘要： 针对主成分分析(PCA)未充分利用样本类别信息及线性鉴别(LDA)在小样本时识别率低的问题,提出了一种基于PCA和LDA相融合的人脸识别算法。该算法首先将输入人脸图像进行几何位置规范化和灰度分布均衡化预处理;然后利用PCA算法将人脸训练图像投影到低秩特征子空间,利用LDA算法计算类间离散度大、类内离散度小的特征子空间,从而获得PCA-LDA的人脸融合特征空间;最后将训练样本、测试样本投影至融合的特征空间,并利用最近邻准则实现对测试样本的识别。实验结果表明,该算法能够有效融合PCA和LDA的优势,提高系统识别的鲁棒性和效率。

摘要： 人脸识别中,样本图像很容易受到光照、表情以及姿态等这些外部因素变化的影响,通过利用图像梯度方向代替传统的像素强度来表示像素之间的相关性,一定程度上缓解了这个问题.然而训练样本的有限性很难准确地描述原始样本图像产生的变化,特征提取过程中容易导致样本图像部分信息的损失.利用原始样本的镜像原理重构对称样本图像,在图像梯度方向的基础上,提出对称性的图像梯度方向人脸识别方法(S-IGO),将S-IGO方法分别与PCA、LDA、IGO-PCA、IGO-LDA以及扩展的E-IGO方法在不同人脸库上的识别结果进行比较,并分析改进算法的在人脸识别中的优势.实验结果表明,相较PCA、LDA和IGO方法,E-IGO方法和S-IGO方法通过利用样本图像的镜像原理生成对称样本图像,在拓展样本集合上进行特征提取,可以选择更稳定的特征空间,从而提高最终的识别结果.大部分情况下,S-IGO方法的识别结果要优于E-IGO方法,这是因为S-IGO算法在E-IGO方法的基础上,进一步利用了人脸对称性这个先验信息,在降维过程中,尽可能多地保留了原始样本的有效信息,提高了算法的准确度.

摘要： 特征提取广泛应用于模式识别中.它去除原始样本的冗余信息,提取出有助于样本表示或分类的简洁有用的信息.线性鉴别分析(LDA)属于传统的监督特征提取方法,它旨在寻找最小化类内散度(方差)同时最大化类间散度(方差)的低维线性投影子空间.提出一种新的特征提取方法,旨在改进LDA,该方法在LDA的基础上,增加了每个类的中心点与该类边界异类样本的近邻关系,通过类中心对边界异类样本的排斥,扩大了类与类相互的边距,增强了类的可分性.YaleB人脸数据库和CENPARMI手写阿拉伯数字库中的实验结果,证明了新方法确实能够提高分类效果.

摘要： 人脸识别是模式识别中重要的研究内容,具有广泛的应用前景.为了进一步提高人脸识别中线性鉴别方法的鲁棒性,提出了一种基于列最近邻的线性鉴别方法(CBLDA).CBLDA为每一类找到一个投影矩阵,使得人脸图像中的每一列经过投影矩阵投影后,能够更靠近类内列最近邻同时离类间列最近邻越远.当测试样本与经过其类别的投影矩阵投影后能够得到更有利于分类的结果.CBLDA类似于分块或者子图的方法,选择最近邻列作为分块的策略的主要优点:(1)列是图像的固有尺寸,会随分辨率的变化而变化,因此不需要决定分块的大小;(2)人脸具有对称性,对列求得类内列最近邻可以较好克服一些左右姿态和光照变化的影响,提高算法的鲁棒性.为了验证CBLDA的有效性,在ORL和FERET人脸数据库中与2D-LDA、2D-LPP和2D-LGEDA等二维算法进行了对比实验,结果表明CBLDA在识别率有大幅的提升,证明了算法的有效性.%A Linear Discriminant Analysis method Base on Column(CBLDA)is proposed. CBLDA calculates the projection matrix for each class. Considered the strong symmetry of face images, the selection of the nearest of the column for projection matrix will conquer some variations of illuminations and postures. So the projection matrix should be maxi-mized the between-class nearest columns and minimized the within-class nearest columns. Also, columns are the inner scale of the face image, which will be changed according to the face image resolution. It does not need to decide the size of image block. Experimental results on ORL, FERET and YALE B face databases show that the proposed method is more robust than several state-of-the-art face recognition methods, 2DLDA, 2DLPP and 2DLGEDA.

摘要： Automatic classification of aerial images is one of the most challengeable tasks due to its high-dimension data and complex context.In order to tackle the problems of high feature dimension and linearly inseparable in original data,this paper proposed a recognition algorithm combining kernel dictionary learning and discriminant analysis based on dictionary learning and sparse representation.First of all,it learned a kernel dictionary that explored the underlying structure of data,then obtained the sparse representations of samples by the kernel dictionary.Secondly,it employed the linear discriminant analysis to make these sparse representations more separable.Finally,it used classical support vector machine for classification.Experimental results show that this method based on kernel dictionary learning and discriminant analysis has superior recognition performance in comparison with the methods based on traditional feature extraction in subspace and dictionary learning.%航拍图像往往具有场景复杂、数据维度大的特点,对于该类图像的自动分类一直是研究的热点.针对航拍原始数据特征维度过高和数据线性不可分的问题,在字典学习和稀疏表示的基础上提出了一种结合核字典学习和线性鉴别分析的目标识别方法.首先学习核字典并通过核字典获取目标样本的稀疏表示,挖掘数据的内部结构;其次采用线性鉴别分析,加强稀疏表示的可分性;最后利用支持向量机对目标进行分类.实验结果表明,与传统基于子空间特征提取的算法和基于字典学习的算法相比,基于核字典学习与鉴别分析的算法分类性能优越.

摘要： 在阿尔茨海默病(Alzheimer′s disease,AD)诊断方法中,通过对脑图像分析已成为准确诊断的一种重要手段.针对从单一脑图像模态磁共振图像(MRI)中提取的特征,提出了一种基于主成分分析(PCA)和线性鉴别分析(LDA)融合的AD分类识别算法.该方法首先对从MRI中获取的特征进行PCA,对低维的特征进行LDA获取组合特征向量,并采用最邻近算法,利用获取的组合特征向量对未知状态类型进行分类识别.实验表明,该算法与其他相关算法相比,具有较高的识别准确率、敏感性、特异性,这说明了算法的有效性.%In Alzheimer′s Disease (AD) diagnostic method,analyzing brain images has become an important means to accurate diagnosis.In this paper,we only consider brain featuresextracted from single modality brain images MRI,propose a new identification algorithm based on principal component analysis (PCA) and linear discriminant analysis (LDA) for AD classification recognition algorithm.First,it makes PCA in the original brain feature extracted from single modality brain images MRI.Second,it makes LDA in low dimensional features from PCA method,so that we obtain the combinational feature vector.Finally,we adopt nearest neighbor algorithm incombinational feature vector toclassification and recognize unknown type brain features.Experimental results have shown that,compared with the related algorithms,the proposed algorithm possesses higher classification accuracy,sensitivity and specificity.Therefore,our algorithm is effective.

摘要： 针对在低信噪比条件下雷达辐射源信号识别率低的问题,为了提高雷达信号识别率,提出了一种采用多特征融合的脉内调制方式识别方法.首先对信号进行Choi-Williams变换,得到时频图后实施降噪处理;然后利用奇异值分解(SVD)和线性鉴别分析(LDA)两种方法提取其时频图特征值,并进行特征融合,最后选择用最小距离准则进行分类判别.仿真选用6种常见的雷达辐射源信号,仿真结果表明在0dB的低信噪比条件下,上述方法的平均识别率在90％以上.最后将特征融合前后的识别效果进行对比,仿真结果验证了融合算法的优越性,证明可为雷达信号优化识别提供依据.

摘要： 由于线性鉴别分析(LDA)可以从高维特征空间中选择强鉴别属性的低维子空间，所以这种技术已经应用到很多的科学工程领域中。本文针对LDA的多模态问题，提出一种改进型LDA算法(ILDA)。此算法借鉴规则化的思想，重新定义类内散度矩阵和类间散度矩阵。同时针对实际问题，通过判断矩阵迹大小来优化求解LDA投影矩阵。实验结果表明，ILDA算法不仅保留LDA选择鉴别子空间的性能，而且ILDA算法还可以很好地解决某些多模态问题。

摘要： 针对室外自然环境下无人自主地面智能车辆的道路检测问题，提出了一种基于3D激光雷达的道路边界检测算法。算法的原理是：根据道路区域与非路区域之间存在的高度跳变的特性。首先提取道路的可通行区域，然后把得到的障碍网格图利用线性鉴别分析(LDA)的分类的思想划分出最佳的左右非路区域，进而拟合得到道路的边界信息。试验结果表明，该边界检测算法可靠性强，能够准确完成道路边界检测任务，可以满足实时系统的要求。

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 本文以人脸图像作为研究对象，针对人脸识别算法提出了一种新的分类器，并将该分类器用于基于PCA的人脸识别，同最近邻分类器，K近邻分类器相比较，本文分类器有较好的分类效果。在2DPCA和LDA的基础上提出了一种新的利用fisher准则的人脸识别算法，该算法先用2DCPA来提取人脸的主成分，然后用fisher准则来选择分类效果好的主成分，在使用本文分类器时，同传统的2DPCA和LDA融合算法相比较，本文算法的识别率有所提高。

摘要： 提出了一种基于LDA的手写汉字特征选择方法.该方法利用已知的网格特征、Gabor特征和HPF特征,分别进行LDA变换,并根据其本征值大小选择构成手写汉字新的特征矢量.应用GB2312-80一级字库中3755类手写汉字的实验结果表明,所选择特征的识别率具有明显提高,在特征维数均为256的情况下,所选择特征的识别率要高出最好性能的HPF特征2.14个百分点,证明了本文方法的有效性.

摘要： 提出了一种基于LDA的手写汉字特征选择方法.该方法利用已知的网格特征、Gabor特征和HPF特征,分别进行LDA变换,并根据其本征值大小选择构成手写汉字新的特征矢量.应用GB2312-80一级字库中3755类手写汉字的实验结果表明,所选择特征的识别率具有明显提高,在特征维数均为256的情况下,所选择特征的识别率要高出最好性能的HPF特征2.14个百分点,证明了本文方法的有效性.

摘要： 本发明公开了一种基于分块线性重构鉴别分析的单样本人脸识别方法。该方法首先将每幅人脸训练图像进行分块，然后将任一人脸图像块表示成k1个类内最近邻图像块的线性组合，同时将任一人脸图像块表示成k2个类间最近邻图像块的线性组合；利用最小二乘法分别求解类内表示系数与类间表示系数，并计算样本的类内重构散度与类间重构散度；通过最大化类间重构散度与类内重构散度的比值求解最佳投影矩阵，并利用投影矩阵提取训练样本集与待识别样本的特征；最后，构造待识别人脸图像类标的判别准则，判断待识别人脸图像的类标。本发明的方法能有效解决单样本人脸识别问题，可有效避免图像光照、人脸姿态、表情等变化对识别效果的影响，提高识别率。

摘要： 本发明公开了一种基于分块线性重构鉴别分析的单样本人脸识别方法。该方法首先将每幅人脸训练图像进行分块，然后将任一人脸图像块表示成

摘要： 本发明公开了一种基于低秩鲁棒线性鉴别分析的图像特征提取方法，为了克服LDA算法对噪声比较敏感，不够鲁棒的问题，本发明将低秩技术和LDA算法结合起来，提出一种低秩鲁棒线性鉴别分析的图像特征提取方法，对于一组有噪声的数据而言，利用低秩表示方法可以在学得数据的低维子空间结构的同时，将数据中的噪声分离出来。因此，在LDA算法中引入低秩分析，可以提高算法的鲁棒性，使其对噪声不敏感，从而进一步提高LDA算法的鲁棒性和识别性能。

摘要： 本发明公开了生物模式识别领域中的一种两维线性鉴别分析的人脸识别方法，针对选取的训练样本矩阵计算出亲和矩阵元素，根据亲和矩阵元素计算出类内散度矩阵和类间散度矩阵，根据类内散度矩阵和类间散度矩阵计算出类内散度矩阵的逆与类间散度矩阵乘积的矩阵的特征值以及特征向量，并求出投影矩阵；利用投影矩阵将训练样本矩阵投影到投影空间得到投影后矩阵：采用最近邻分类器对投影后矩阵与测试样本进行分类处理，计算出识别率；本发明融合了两维线性判别分析以及两维局部保持投影方法的优点，不仅可以将原始数据有效降维，还可以保留数据的局部特性，避免了样本数据在拉伸为一维数据时破坏其原有的二维结构，具有高识别率和高效率。

摘要： 本发明涉及一种基于概率线性鉴别分析模型的说话人聚类方法及系统，包括：采集一定数量的语音数据作为训练语句，生成概率线性鉴别分析(PLDA)模型；对待聚类说话人语句进行预处理；提取预处理后的待聚类说话人语句的MFCC特征；基于MFCC特征计算所有待聚类说话人语句的总变化量因子；基于生成的PLDA模型计算两两待聚类说话人语句的总变化量因子的PLDA距离；基于PLDA距离确定的密度值选择初始的类别数目和每个类包含的语句；最后通过聚类算法获取最终的类别数目和每个类包含的语句。本方法采用基于总变化量因子PLDA距离使距离测度更加准确；而且本方法基于密度值选择初始类，从而达到稳定的聚类效果。

摘要： 本发明属于图像检索技术领域，公开了一种基于线性鉴别分析深度哈希算法的图像检索方法及系统，利用CNN提取图像特征；构造基于线性判别分析LDA的目标函数，将图像特征映射到哈希标签中；利用生成的hash标签训练一个简单的图像哈希深度学习网络，利用深度哈希模型将新的图像的特征映射到哈希码完成图像检索。对于目前的图像检索技术来说，图像数据庞大，并且标签在大数据时代是难以获取的，在大量图像中进行图像检索，这是非常耗时和不可扩展的，所以根据现有的问题，本发明提出的技术方法一方面避免了依赖类标签来监督散列的过程，另一方面也避免了由于深度网络获取图像特征而导致的大量的时间消耗。

摘要： 本发明公开了一种模糊非相关线性鉴别分析的茶叶品种分类方法，首先使用Antaris II傅立叶变换近红外光谱分析仪获取若干品种的茶叶样本的近红外漫反射光谱数据；接着采用Savitzky‑Golay一阶导数对采集到的茶叶样本的近红外漫反射光谱数据进行预处理；然后运用一种模糊非相关线性鉴别分析的茶叶近红外光谱特征提取方法对预处理了的茶叶近红外漫反射光谱数据进行降维处理和分类鉴别信息提取；最后利用一种Gath‑Geva模糊聚类进行茶叶品种的分类。本发明是非相关线性鉴别分析的模糊扩展形式，不仅可以解决线性鉴别分析的欠采样问题，而且能够处理非相关线性鉴别分析的“硬”类的特征提取问题，具有绿色无污染、检测样本少、鉴定成本低、判别速度快、分类准确率高等优点。

摘要： 本发明公开了一种模糊正交线性鉴别分析的茶叶近红外光谱分类方法，包括：一、采用Antaris II傅立叶变换近红外光谱分析仪获取茶叶样本的近红外漫反射光谱数据；二、运用多元散射校正对近红外漫反射光谱数据进行预处理，再将经预处理后的茶叶样本数据随机分配到训练集和测试集中；三、利用一种模糊正交线性鉴别分析的茶叶近红外光谱鉴别信息提取方法从茶叶近红外漫反射光谱数据中提取茶叶品种的鉴别信息；四、使用K近邻分类算法进行测试样本分类，确定所测茶叶样本的种类。本发明是正交线性鉴别分析的模糊模型，既有效克服了LDA的小样本问题，又充分解决了样本类信息多样性的问题，具有检测成本低、鉴别速度快、分类准确率高等优点。

摘要： 本发明公开了一种基于低秩鲁棒线性鉴别分析的图像特征提取方法，为了克服LDA算法对噪声比较敏感，不够鲁棒的问题，本发明将低秩技术和LDA算法结合起来，提出一种低秩鲁棒线性鉴别分析的图像特征提取方法，对于一组有噪声的数据而言，利用低秩表示方法可以在学得数据的低维子空间结构的同时，将数据中的噪声分离出来。因此，在LDA算法中引入低秩分析，可以提高算法的鲁棒性，使其对噪声不敏感，从而进一步提高LDA算法的鲁棒性和识别性能。

摘要： 本发明公开了一种基于指数正则化零空间线性鉴别分析的故障诊断方法，将正则化鉴别分析与零空间鉴别分析相融合，集成了NSLDA和RLDA在模式识别上的优势，用正则化的类内样本矩阵Sw