检索结果-南通市图书馆

检索条件"主题词=l2,1范式"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于典型相关分析的多模态特征层融合识别

基于典型相关分析的多模态特征层融合识别

引用

作者：余程年安徽大学

学位级别：硕士

随着人工智能的发展,单模态的生物特征识别技术已经取得了很好的识别效果。然而会受到传感器噪声、易被伪造等一些问题的困扰,难以满足高安全领域的应用要求。多模态生物识别融合了多种生物特征进行身份识别,与单模态生物识别技术相比,... 详细信息

随着人工智能的发展,单模态的生物特征识别技术已经取得了很好的识别效果。然而会受到传感器噪声、易被伪造等一些问题的困扰,难以满足高安全领域的应用要求。多模态生物识别融合了多种生物特征进行身份识别,与单模态生物识别技术相比,其安全性更强、实用性更广、可靠性更高。虽然多模态生物识别已经成为了近几年的研究热点,但仍存在一些问题需要进一步探讨。本文从多模态生物特征识别中的特征层融合识别出发,分别对两个模态、多个模态的生物特征进行融合。主要的研究成果总结如下:(1)传统的典型相关分析及其改进算法,通过最大化两个模态间的类间散度矩阵的方式,实现两个模态的特征集之间的相关性。没有直接对单模态内特征集进行分析,降低了识别效果。因此,为了对单模态内特征集和多模态间特征集进行相关分析,首先找到使每个模态中类内的特征集尽可能集中的最优投影方向,从而获得单模态内类间区分度较大的数据集;进一步,针对类间区分度较大的两个模态数据集进行融合,建立准则函数,使用拉格朗日数乘法得到最优的投影方向,从而使得融合后的样本集类内相关性尽可能大并类间相关性的尽可能小。实验结果验证了所提出算法的有效性。(2)传统的机器学习融合算法中,多数是将多模态特征集投影到一个公共的子空间中,以实现融合效果。但融合后的新的子空间并没有类别信息。因此,为了学习一个高度相关,最大辨别力的线性子空间,提出了基于图嵌入典型相关特征层融合算法。首先,基于l21正则化算法,同时在多个单模态特征空间中选择特征,提高单模态特征鉴别力;其次,把图嵌入思想引入CCA子空间学习过程,为其构造数据相似图矩阵表示原特征空间样本点的相近关系,使得投影后的单模态类内样本之间保持原样本空间的几何结构,且多模态类内样本之间相关性尽可能大。

关键词：特征层融合典型相关分析线性判别分析 l2,1范式

来源：

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

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：