检索结果-南通市图书馆

新乡学院学报 2023年第3期40卷 14-21页

作者：文学春向远强贵州师范大学数学科学学院贵州贵阳550025

给出了一种基于l2,1范数和局部约束的非负矩阵分解方法,降低了对原始数据中噪声和异常值的敏感程度,分析了该方法的严格收敛性,通过多个数据集上的实验结果验证该算法的有效性。

关键词：矩阵分解 l2,1范数局部约束行稀疏性聚类

l_(2,1)范数正则化的广义核判别分析及其人脸识别

在线全文

学校读者我要写书评

暂无评论

计算机科学与探索 2017年第1期11卷 124-133页

作者：傅俊鹏陈秀宏葛骁倩江南大学数字媒体学院江苏无锡214122

特征选取和子空间学习是人脸识别的关键问题。为更准确选取人脸中丰富的非线性特征,并解决小样本问题,提出了一种新的l_(2,1)范数正则化的广义核判别分析(generalized kernel discriminant analysis based on l_(2,1)-norm regularizati... 详细信息

特征选取和子空间学习是人脸识别的关键问题。为更准确选取人脸中丰富的非线性特征,并解决小样本问题,提出了一种新的l_(2,1)范数正则化的广义核判别分析(generalized kernel discriminant analysis based on l_(2,1)-norm regularization,l21GKDA)。利用核函数将原始样本隐式地映射到高维特征空间中,得到广义核Fisher鉴别准则,再利用一种有效变换将该非线性模型转化为线性回归模型;为了能使特征选取和子空间学习同时进行,在模型中加入了一种l_(2,1)范数惩罚项,并给出该正则化方法的求解算法。因为方法借助于l_(2,1)范数惩罚项的特征选取能力,所以它能有效地提高识别率。在ORl、AR和PIE人脸库上的实验结果表明,新算法能有效选取人脸的非线性特征,提高判别能力。

关键词：人脸识别特征选取子空间学习 l2,1范数核判别分析

l_(2,1)范数正则化的不相关判别分析及其在人脸识别中的应用

在线全文

学校读者我要写书评

暂无评论

计算机工程与科学 2017年第2期39卷 343-350页

作者：傅俊鹏陈秀宏葛骁倩江南大学数字媒体学院江苏无锡214122

对高维数据降维并选取有效特征对分类起着关键作用。针对人脸识别中存在的高维和小样本问题,从特征选取和子空间学习入手,提出了一种l_(2,1)范数正则化的不相关判别分析算法。该算法首先对训练样本矩阵进行奇异值分解;然后通过一系列变... 详细信息

对高维数据降维并选取有效特征对分类起着关键作用。针对人脸识别中存在的高维和小样本问题,从特征选取和子空间学习入手,提出了一种l_(2,1)范数正则化的不相关判别分析算法。该算法首先对训练样本矩阵进行奇异值分解;然后通过一系列变换,将原非线性的Fisher鉴别准则函数转化为线性模型;最后加入l_(2,1)范数惩罚项进行求解,得到一组最佳鉴别矢量。将训练样本和测试样本投影到该低维子空间中,利用最近欧氏距离分类器进行分类。由于加入了l_(2,1)范数惩罚项,该算法能使特征选取和子空间学习同时进行,有效改善识别性能。在ORl、YaleB及PIE人脸库上的实验结果表明,算法在有效降维的同时能进一步提高鉴别能力。

关键词：人脸识别特征选取子空间学习 l2,1范数不相关判别分析 Fisher判别分析

基于l_(2,1)范数稀疏特征选择和超法向量的深度图像序列行为识别

在线全文

学校读者我要写书评

暂无评论

计算机科学 2017年第2期44卷 306-308,323页

作者：宋相法张延锋郑逢斌河南大学计算机与信息工程学院开封475004

结合l_(2,1)范数稀疏特征选择和超法向量提出了一种新的深度图像序列行为识别方法。首先从深度图像序列中提取超法向量特征;然后利用l_(2,1)范数稀疏特征选择方法从超法向量特征中选择出最具判别性的稀疏特征子集作为特征表示;最后利用... 详细信息

结合l_(2,1)范数稀疏特征选择和超法向量提出了一种新的深度图像序列行为识别方法。首先从深度图像序列中提取超法向量特征;然后利用l_(2,1)范数稀疏特征选择方法从超法向量特征中选择出最具判别性的稀疏特征子集作为特征表示;最后利用线性分类器liblinear进行分类。在MSR Action3D数据库上的实验结果表明,所提方法使用2%的超法向量特征获得的识别率为94.55%,并且具有比其他方法更高的识别精度。

关键词：行为识别深度图像序列超法向量稀疏特征选择 l2,1范数

一种l_(2,1)范数最小化问题的算法研究

在线全文

学校读者我要写书评

暂无评论

福州大学学报（自然科学版） 2013年第1期41卷 12-14,18页

作者：王东霞刘秋菊刘书伦济源职业技术学院信息工程系河南济源459000 重庆大学自动化学院重庆400044

提出一种求解l2,1范数的最小化问题的增广拉格朗日函数法,用以求解最小化问题,算法的收敛性容易实现.数值试验表明,所提出来的算法是可行的.

关键词： l2,1范数最小化问题多任务特征学习增广拉格朗日函数

一种基于l_(2,1)范数的PCA维数约简算法

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2013年第1期30卷 39-41页

作者：刘丽敏樊晓平廖志芳刘曼玲中南大学信息科学与工程学院长沙410075 中南大学软件学院长沙410075

传统PCA存在对异常值和特征噪声敏感等问题,基于l2,1范数的PCA算法改进了这些缺点。现有的基于l2,1范数的PCA算法是通过降低矩阵的秩来实现维数约简,而秩的计算复杂。针对这一问题,提出一种新的维数约简算法。该算法提出利用迹范数代替... 详细信息

传统PCA存在对异常值和特征噪声敏感等问题,基于l2,1范数的PCA算法改进了这些缺点。现有的基于l2,1范数的PCA算法是通过降低矩阵的秩来实现维数约简,而秩的计算复杂。针对这一问题,提出一种新的维数约简算法。该算法提出利用迹范数代替矩阵的秩来简化l2,1-PCA的计算,提高算法效率;对于算法的求解提出了基于拉格朗日乘子的方法并将算法应用扩展Yale B人脸数据集进行图像去噪。可视化的实验结果表明所提出的算法有效。

关键词：维数约简主成分分析 l2,1-PCA l2,1范数拉格朗日乘子

基于l_(2,1)范数正则化矩阵分解的图像结构化噪声平滑算法

在线全文

学校读者我要写书评

暂无评论

南昌大学学报（理科版） 2015年第5期39卷 426-431页

作者：张怡婷陈蕾杨雁莹甄永贺南京邮电大学计算机学院南京210023 南京森林警察学院信息技术系南京210023

图像去噪是数字图像处理的必要环节,对后续图像处理、分析和应用的效果有重要影响。现有基于稀疏低秩矩阵分解的图像去噪算法虽然在处理高斯、椒盐等均匀随机噪声时效果良好,但无法有效处理实际应用中可能遇到的结构化噪声问题。针对该... 详细信息

图像去噪是数字图像处理的必要环节,对后续图像处理、分析和应用的效果有重要影响。现有基于稀疏低秩矩阵分解的图像去噪算法虽然在处理高斯、椒盐等均匀随机噪声时效果良好,但无法有效处理实际应用中可能遇到的结构化噪声问题。针对该缺陷,本文引入l_(2,1)范数将结构化噪声情形下的图像去噪问题建模为一类l_(2,1)范数正则化矩阵分解问题,并由此提出一种基于l_(2,1)范数正则化矩阵分解的图像结构化噪声平滑算法(l21NRMD)。仿真实验结果表明,在基本保持椒盐噪声去除效果的前提下,该算法可有效去除不同比例的结构化噪声,PSNR性能指标值介于69-80dB之间,差错率为0.06-0.14,较现有算法具有更好的适应性和更广的应用范围。

关键词：图像去噪稀疏低秩矩阵分解交替方向乘子法 l2,1范数结构化噪声

基于l2，1范数和l1范数的鲁棒判别特征提取算法研究

在线全文

学校读者我要写书评

暂无评论

基于L2，1范数和L1范数的鲁棒判别特征提取算法研究

作者：苗硕西安电子科技大学

学位级别：硕士

lDA(linear Discriminant Analysis)又称Fisher线性判别分析(Fisher linear Discriminant Analysis,FlDA),是子空间学习理论中的一种经典方法,其目的是寻找投影矩阵,使得投影后的数据满足类内离散度最小,同时类间离散度最大。由于lDA的... 详细信息

lDA(linear Discriminant Analysis)又称Fisher线性判别分析(Fisher linear Discriminant Analysis,FlDA),是子空间学习理论中的一种经典方法,其目的是寻找投影矩阵,使得投影后的数据满足类内离散度最小,同时类间离散度最大。由于lDA的简单性以及好的分类性能,已被广泛地应用到图像识别,尤其是人脸识别中。然而,lDA以二范数的平方作为相似度衡量准则,导致偏离比较远的点在目标函数中起主要作用,使得lDA在含有噪声的模式识别中,性能退化很明显,鲁棒性差。针对此,论文从线性判别分析入手,深入研究鲁棒判别特征提取,实现了基于l1范数和l2,1范数的线性判别分析。论文的主要内容有:1.将已有lDA的迹比值(trace ratio)求解问题进一步归纳,推广成一般数学优化问题,并给出了相应的求解框架和收敛性证明。此求解框架不仅可以适用于lDA模型,同时还可以应用到2DlDA,2DPCA,PCA等模型中,并且与现有求解方法相比能够整体求出线性投影矩阵。2.针对现今基于l1范数的鲁棒判别特征提取算法不能有效地最大化目标函数,导致算法性能不好等原因。根据上述框架,提出了一种非贪婪迭代算法。该算法不仅可以最大目标函数,而且具有好的分类性能。在AR、YaleB、PIE、COIl20库上的实验结果证明了所提算法的有效性。3.针对l1范数的不足,通过对lDA的分析,提出了基于l2,1范数的鲁棒判别特征提取模型,在此基础上,根据上述框架,设计出一种非贪婪迭代算法,并证明了算法的收敛性。在AR,YaleB、PIE库上的实验结果表明基于l2,1范数的lDA与基于l1范数的lDA相比,对噪声更加鲁棒。

关键词：线性判别分析鲁棒判别特征提取 l1范数 l2,1范数迹比值

基于K最近邻的l_(2,1)范数稀疏回归分类器

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

韶关学院学报 2014年第6期35卷 5-10页

作者：徐洁祝文康韶关学院数学与信息科学学院广东韶关512005

在模式分类中,基于旋转不变范数的回归分类器(RRC)最近得到广泛的应用.然而RRC的稀疏重构是建立在全体训练样本之上,当训练样本的数量很大时,计算的时耗比较大.同时,对稀疏程度的过度追求也在一定程度上影响了分类性能.基于K最近邻分类... 详细信息

在模式分类中,基于旋转不变范数的回归分类器(RRC)最近得到广泛的应用.然而RRC的稀疏重构是建立在全体训练样本之上,当训练样本的数量很大时,计算的时耗比较大.同时,对稀疏程度的过度追求也在一定程度上影响了分类性能.基于K最近邻分类器提出了一类局部的基于K最近邻的l2,1范数稀疏回归分类器(KNN-SRC),该分类器比全局的RRC计算速度快,同时,利用K最近邻点代替全体训练样本,在一定程上避免了非同类的相似样本对测试样本的过度稀疏表示,从而提高分类性能.KNN-SRC的分类性能在UCI的Wine数据集和Yale人脸数据库上作了检测,测试结果表明KNN-SRC分类性能优于RRC.

关键词： K最近邻 l2,1范数分类器

基于核的l_(2,1)范数非负矩阵分解在图像聚类中的应用

在线全文

学校读者我要写书评

暂无评论

数学杂志 2019年第3期39卷 440-454页

作者：余江兰李向利董晓亮桂林电子科技大学数学与计算科学学院广西密码学与信息安全重点实验室广西自动检测技术与仪器重点实验室广西桂林541004 北方民族大学数学与信息科学学院宁夏银川750021

本文研究了基于核技巧的l_(2,1)范数非负矩阵分解在图像聚类中的问题.利用基于核的稀疏鲁棒非负矩阵分解方法,获得了算法良好的稀疏性和鲁棒性,提高了聚类性能,该方法也可以推广到文本聚类的应用.

关键词：非负矩阵分解核技巧 l2,1范数稀疏性鲁棒性