检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

新的局部线性嵌入下的人脸识别方法

计算机工程与应用 2011年第24期47卷 171-173页

作者：刘倩潘晨宁夏大学数学计算机学院银川750021 中国计量学院信息工程学院杭州310018

针对LLE算法无法对后续采集的测试样本单独进行降维处理和未能利用样本点分类信息的两点不足之处,提出了一种有监督的增量式局部线性嵌入算法(SILLE),并采取小波变换对图像进行预处理。通过对ORL数据库实验证明,SILLE算法与LLE算法相比... 详细信息

针对LLE算法无法对后续采集的测试样本单独进行降维处理和未能利用样本点分类信息的两点不足之处,提出了一种有监督的增量式局部线性嵌入算法(SILLE),并采取小波变换对图像进行预处理。通过对ORL数据库实验证明,SILLE算法与LLE算法相比大大降低了处理新增样本点的计算时间,并且提高了识别精度。

关键词：人脸识别小波变换局部线性嵌入

基于局部线性嵌入和局部保持投影的图像哈希算法

在线全文

学校读者我要写书评

暂无评论

基于局部线性嵌入和局部保持投影的图像哈希算法

作者：阮林林广西师范大学

学位级别：硕士

图像哈希算法是信息安全和图像处理交叉领域的一项重要研究课题,已经在诸多方面取得成功应用,如内容认证、图像取证、水印嵌入、篡改检测等。实际上,它是一种图像表示的新技术,能将任何大小的图像映射成一串简短的字符或比特序列。一般... 详细信息

图像哈希算法是信息安全和图像处理交叉领域的一项重要研究课题,已经在诸多方面取得成功应用,如内容认证、图像取证、水印嵌入、篡改检测等。实际上,它是一种图像表示的新技术,能将任何大小的图像映射成一串简短的字符或比特序列。一般情况下,图像在使用过程中都需要经历一些数字操作,操作后的图像的具体数据发生了变化,但视觉内容基本不变。因此,哈希算法应将这些视觉内容相似的图像映射成相同或者相近的哈希序列,这一性质称为鲁棒性,该性质能保证哈希算法可正确识别那些经过亮度调整、对比度调整、JPEG压缩等处理的图像。图像哈希算法的第二个性质是唯一性,要求视觉内容存在较大差异的图像,其哈希值应有很大的差别,以确保算法能准确分辨不同内容图像。除了上述两个基本性质外,在一些具体应用中,图像哈希还应该具有其他性质。例如,应用在图像取证时,图像哈希应该具有安全性,以免被恶意篡改或伪造。图像哈希算法可分为两步完成,第一步为图像特征提取,第二步是图像特征的压缩编码。事实上,数据降维是实现特征压缩编码的一种有效技术,通过线性或非线性映射将高维数据投影到低维空间,进而发现隐藏在高维数据中的有意义低维结构,为特征压缩编码奠定基础。本文以两种经典数据降维方法(即局部线性嵌入和局部保持投影)为切入点,研究基于数据降维的图像哈希算法,取得了两项有意义的研究成果,即,基于局部线性嵌入的图像哈希算法和基于局部保持投影和Gabor滤波器的图像哈希算法。论文的具体研究结果如下。1、提出一种基于局部线性嵌入统计特征的图像哈希算法局部线性嵌入(LLE)对非线性流形的局部几何结构有较好表示,能够紧凑地描述数据之间的关系。本文研究了LLE在图像哈希的应用,发现正常处理后的图像的LLE结果的方差近似线性变化的性质。为此,本文设计了一种基于LLE的图像哈希算法。该算法先将图像尺寸规格化,再将彩色图像转换到CIE L*a*b*颜色空间,然后用亮度分量L*构造二次图像。接着将LLE算法应用于二次图像,用降维后的数据的方差作为图像哈希。计算哈希相似度时,采用相关系数作为衡量准则。2、提出一种基于局部保持投影和Gabor滤波器的图像哈希算法联合使用局部保持投影、Gabor滤波器、混沌映射等技术来建立图像哈希算法。该算法先用双线性插值将输入图像转换成固定大小,如果输入图像为彩色图像,则转换到YCbCr颜色空间并提取亮度分量表示;然后用图像块来构造二次图像并对其进行Gabor滤波,接着运用局部保持投影进行数据降维,用降维后的低维向量的方差来构造中间哈希值,最后用混沌映射对中间哈希进行数据加密,生成最终的图像哈希。判断哈希相似性时,用海明距离来度量。用大量实验验证本文提出的两种哈希算法的鲁棒性和唯一性,结果表明本文的两种算法对常见的数字处理,如亮度调整、伽玛校正、缩放、椒盐噪声等正常处理稳健,并可较好区分不同内容的图像。用接收机操作特性曲线来分析比较本文算法与多种文献算法的分类性能,实验结果显示本文的两种算法在分类性能上均优于比较的文献算法。

关键词：图像哈希局部线性嵌入局部保持投影 Gabor滤波混沌映射数据降维

基于高维空间的非线性降维的局部线性嵌入LLE方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于高维空间的非线性降维的局部线性嵌入LLE方法

作者：马宇西南交通大学

学位级别：硕士

本文对于数据处理过程中常用的一些降维方法做了简单的分析介绍。首先,介绍了降维的主要概念以及数学定义,其中涉及到特征值问题以及优化问题,对于给定的一个高维空间数据集,对数据进行降维目的是将原来的高维空间进行压缩映射到低维空... 详细信息

本文对于数据处理过程中常用的一些降维方法做了简单的分析介绍。首先,介绍了降维的主要概念以及数学定义,其中涉及到特征值问题以及优化问题,对于给定的一个高维空间数据集,对数据进行降维目的是将原来的高维空间进行压缩映射到低维空间当中,并且保持原始高维数据集的主要性质不变。当然,这其中还伴随着某些特征值问题。本文的主要任务之一是探索如何解决这些降维问题与优化问题,以及将高维数据如何可视化的研究;局部线性嵌入LLE方法是这篇文章主要研究的内容,并通过与线性降维方法的实例分析比较,从而分析了 LLE方法的优点及不足,且分析比较可以证明在实际应用中非线性降维还是很具实际意义的。本文的主要一个任务就是如何解决LLE方法其中存在的不足,并提出相应的改良方法。以下是提出了两种改进的LLE算法,对其参数的选择做出了一些改进,并且根据LLE方法不适用于稀疏非均匀数据集等的缺点,在方法优化中引入了加权矩阵的加权LLE方法,从而减小了方法的不适用性以及可适用性。此外,在样本点之间的距离应用测地距离而不是欧几里得距离来找到k个近邻的样本采集点,并通过公式验证了改进算法的可行性,以及此方法的有效性和实用性。

关键词：线性降维非线性降维高维数据局部线性嵌入主成分分析映射

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于局部线性嵌入的降维算法研究

基于局部线性嵌入的降维算法研究

作者：李燕燕辽宁师范大学

学位级别：硕士

随着科学的进步,信息技术得到了快速发展及广泛应用,高维数据应运而生,如医学图像处理、计算生物学、全球气候模型等,高维数据难以被现有的机器学习和数据挖掘算法进行有效地处理。数据降维算法是处理这些高维数据的一个非常重要的工具... 详细信息

随着科学的进步,信息技术得到了快速发展及广泛应用,高维数据应运而生,如医学图像处理、计算生物学、全球气候模型等,高维数据难以被现有的机器学习和数据挖掘算法进行有效地处理。数据降维算法是处理这些高维数据的一个非常重要的工具和方法。而流形学习作为一种高维数据降维的技术手段,在非线性降维方面取得了广泛的应用。其中局部线性嵌入(LLE)是一种假设局部能够线性化表示而提出的流形学习算法,它有参数少、计算快、易求全局最优解等优点。但是,LLE算法使得降维后的数据损失了原有数据的密度信息,从而导致降维效果产生扭曲,无法获得正确的低维嵌入。另外,多流形数据不满足局部线性嵌入算法要求流形连续的特点,所以也难以有效降维。这两个问题成为了局部线性嵌入的瓶颈。本文主要对基于流形学习的局部线性嵌入(LLE)算法进行了深入的研究与改进,对LLE的缺点进行了详细地分析： (1)在源数据集分布不均匀、密度变化大的情况下,分析了LLE算法降维的基本思想,得出权值矩阵在降维过程中起到了连接枢纽的重要作用,而近邻的选取对权值矩阵的获得具有直接的影响。因此,一方面从局部近邻的几何性质入手,对近邻选取情况进行改进,另一方面对LLE权向量的性质进行了详细的分析,得知降维后的数据不能反映原来高维数据的密度信息。在以上基础上提出了一种基于密度刻画的降维方法。 (2)对多流形问题进行了研究,发现多流形数据存在局域线性化差的问题,从局部线性嵌入算法的两个独立的优化问题入手,对LLE算法进行改进,提出了一种基于局部线性嵌入的多流形学习算法。

关键词：高维数据降维流形学习局部线性嵌入多流形

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种基于局部线性嵌入的多流形学习算法

小型微型计算机系统 2012年第8期33卷 1795-1799页

作者：李燕燕闫德勤刘胜蓝郑宏亮辽宁师范大学计算机与信息技术学院辽宁大连116081

针对局部线性嵌入算法在处理多流形数据时失效问题,提出一种新的基于局部线性嵌入的多流形学习算法.采用cam分布寻找数据点的近邻,避免了近邻选取方向的缺失;同时在获取重建权值矩阵的过程中引入一个正则项约束,从而降低了算法对噪声的... 详细信息

针对局部线性嵌入算法在处理多流形数据时失效问题,提出一种新的基于局部线性嵌入的多流形学习算法.采用cam分布寻找数据点的近邻,避免了近邻选取方向的缺失;同时在获取重建权值矩阵的过程中引入一个正则项约束,从而降低了算法对噪声的敏感度.通过对分布在不同流形上的高维数据实验后发现改进算法具有很好的降维效果.为了进一步验证算法的有效性,将改进后的算法对COIL-20数据库进行图像检索,结果表明该算法不仅有较好的降维效果而且在多类别多形状流形学习中有很好的实用价值.

关键词：多流形学习正则化局部线性嵌入邻域优化嵌入坐标优化

基于局部线性嵌入和Haar小波的人脸识别方法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2011年第4期47卷 181-184,187页

作者：李伟生张勤重庆邮电大学计算机科学与技术学院重庆400065

为了抑制局部线性嵌入算法对噪音的敏感性,结合Haar小波变换,提出了一种人脸识别的新方法。利用Haar小波变换将原始图像数据分解为高频分量和低频分量,忽略水平高频与垂直高频分量,并将低频分量按行堆叠的方式引入其原始图像数据中。通... 详细信息

为了抑制局部线性嵌入算法对噪音的敏感性,结合Haar小波变换,提出了一种人脸识别的新方法。利用Haar小波变换将原始图像数据分解为高频分量和低频分量,忽略水平高频与垂直高频分量,并将低频分量按行堆叠的方式引入其原始图像数据中。通过LLE对该图像数据进行降维,求得训练和测试样本各自对应的矩阵。依据最近邻准则完成人脸识别。基于ORL与Sheffield人脸数据库的实验结果表明了该方法对改善传统LLE算法识别率的有效性。

关键词：人脸识别流形局部线性嵌入 Haar小波变换最近邻分类

在线全文

学校读者我要写书评

暂无评论

基于局部线性嵌入的多流形学习故障诊断方法

湖南科技大学学报（自然科学版） 2015年第4期30卷 34-39页

作者：王广斌罗军贺旖琳杜晓阳陈庆怡湖南科技大学湖南省机械设备健康维护重点实验室湖南湘潭411201 云南省楚雄州工业学校云南楚雄675000

故障样本具有复杂多样性,而不同故障类型存在于不同维数的多流形子空间中,将样本统一降维到同一维数的单流形上则不能进行高效的特征提取.提出了一种基于局部线性嵌入(Local Linear Embedding,LLE)的多流形学习(Multi-LLE)故障诊断方法... 详细信息

故障样本具有复杂多样性,而不同故障类型存在于不同维数的多流形子空间中,将样本统一降维到同一维数的单流形上则不能进行高效的特征提取.提出了一种基于局部线性嵌入(Local Linear Embedding,LLE)的多流形学习(Multi-LLE)故障诊断方法,将单流形故障诊断方法扩展到多流形,首先利用Multi-LLE分别提取各故障数据集在其本征维数流形上的特征,再通过各特征向量的聚类中心与故障新样本在不同维数下的嵌入向量的距离比较,将距离最近者归为一类实现分类识别.利用转子实验故障数据对算法进行了验证,并将Multi-LLE方法与LLE和海赛局部线性嵌入(HLLE)方法进行了比较,结果表明该方法能够有效的实现故障诊断.

关键词：局部线性嵌入多流形学习特征提取故障诊断

在线全文

学校读者我要写书评

暂无评论

基于监督局部线性嵌入的飞机目标识别方法

电光与控制 2011年第1期18卷 1-4页

作者：张善文西京学院工程技术系西安710123 中国科学院合肥智能机械研究所合肥230031

维数约简是目标识别的一个重要预处理步骤。由于飞机目标图像对各种空间变换(包括平移、尺度、旋转等变换)和观察角度、位置以及光照等因素都比较敏感,使得很多线性维数约简算法不能有效地用于飞机目标识别。局部线性嵌入(LLE)是一种有... 详细信息

维数约简是目标识别的一个重要预处理步骤。由于飞机目标图像对各种空间变换(包括平移、尺度、旋转等变换)和观察角度、位置以及光照等因素都比较敏感,使得很多线性维数约简算法不能有效地用于飞机目标识别。局部线性嵌入(LLE)是一种有效的非线性维数约简方法,提出了一种基于LLE的监督LLE算法,并应用于多种条件下的飞机目标识别中。实验结果表明,该方法是有效可行的。

关键词：飞机目标识别局部线性嵌入监督局部线性嵌入维数约简

在线全文

学校读者我要写书评

暂无评论

一种基于局部线性嵌入的SVM学习算法

一种基于局部线性嵌入的SVM学习算法

作者：王旭浙江工业大学

学位级别：硕士

随着近年来网络技术的快速发展,相应的数据规模也在飞速地增长。对于高维数据分类时SVM的耗时较长计算复杂度较高。虽然PCA-SVM对高维数据分类速率较快,但准确率相对较低。本文在研究非线性降维方法特点的基础之上,提出一种利用LLE方法... 详细信息

随着近年来网络技术的快速发展,相应的数据规模也在飞速地增长。对于高维数据分类时SVM的耗时较长计算复杂度较高。虽然PCA-SVM对高维数据分类速率较快,但准确率相对较低。本文在研究非线性降维方法特点的基础之上,提出一种利用LLE方法对SVM进行改进的算法,对高维数据进行LLE降维后采用SVM方法进行分类。结合增量思想实现了基于局部线性嵌入(LLE)的SVM增量学习过程(LLE-ISVM),并将该算法用于MNIST数据库测试和瓷片表面缺陷的分类过程。对于较复杂的含有少量有标签、大量无标签数据集,提出了半监督的TSVM方法,利用LLE方法对其进行修正与改进。实验结果表明,LLE-SVM增量算法对高维数据的运算速度与精度都有所提高,能实现完整增量学习过程,能较为准确快速地实现磁片表面的缺陷分类过程。本文主要内容工作如下:(1)查阅了大量国内外关于SVM、增量学习、流形学习、半监督方法的文献,对于目前传统SVM方法对高维数据处理所存在的问题,提出了一些改进方法。介绍了机器学习、流形学习方法的现状与背景,为下文的算法设计提供了基础。(2)研究了经典的SVM方法,并提出了利用非线性流形方法对其进行降维的改进方法。通过对比ISOMAP与LLE之后选取了局部线性嵌入(LLE)作为非线性降维方法。分析了PCA-SVM对于高维非线性数据处理存在的一些不足之处,利用LLE方法对SVM进行改进,实现LLE-SVM的设计。对非增量的SVM方法而言,当训练数据较大时训练时间往往都很长,于是便采用增量学习的思想对其进行改进。通常增量学习过程SVM的分类超平面仅是由SV集所决定的,而大量数据集中通常只有少数样本带有分类信息,并不需要在每次训练时对全部样本的进行训练。因此提出了利用SV集作为下次增量学习的初始数据集,对新增数据集进行筛选的增量思想。针对含有全部标签的数据样本,将样本利用LLE-SVM算法和增量改进,能有效地处理高维非线性数据集的分类过程,保证一定的速率与准确率。(3)LLE-SVM增量学习方法是一种监督学习算法,仅适用于全部数据带有标签的数据集训练过程。实际过程中获取到全部数据集的正确标签是较为困难的,对给定无标签数据集进行手动标注则需要消耗大量时间。在半监督学习TSVM的分析基础之上,提出了基于LLE的TSVM增量学习算法,算法进行首次训练后,通过筛选出与第一次增量中有与SV集相似的样本以降低算法复杂度,随后将这类数据与原SV集进行TSVM训练后,得到新的分类界面。通过MNIST手写数据库以及实际获得的分割后瓷片表面缺陷的分类测试,该方法对于手写数据集的分类具有较高的准确率,对瓷片分类也能完整实现半监督分类过程。因此LLE-TSVM增量学习方法能较好地适用于半监督分类。(4)最后,本文就LLE-SVM、LLE-TSVM进行总结与展望,确定了未来所需要进行的更多细节的改进部分。测试证明LLE-SVM与LLE-TSVM能够实现大多数情况下的分类过程,有可观的速度保障,但应用于实际的瓷片缺陷检测分类过程中准确率不够高,实用性不够强,准确率尚未达到实际应用的标准,因此仍需对算法进行改进。

关键词：支持向量机局部线性嵌入增量学习缺陷检测