导读:本文包含了非线性特征抽取论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:特征,小波,方法,分量,手写体,准则,间距。
非线性特征抽取论文文献综述
任建辉[1]（2009）在《基于核的非线性特征抽取与人脸识别方法研究》一文中研究指出特征抽取是人脸识别领域的关键问题,抽取有效的特征信息对提高识别效果有重要意义。本文对基于核的非线性特征抽取方法进行了深入研究,进而提出了一些特征提取的新算法,并在人脸识别问题上验证了有效性。本文的主要研究及创新工作如下:(1)核主成分分析作为主成分分析的非线性推广,能有效提取人脸的非线性特征,但无法利用样本的类别信息。本文深入分析了融合类别信息的核主成分分析方法,并针对相应的特征对最近邻分类器进行改造。在Iris和人脸库上的仿真实验证明与理论分析相吻合,也验证了本文对分类器改进的合理性。(2)核Fisher鉴别分析和核最大间距准则作为有效的非线性特征抽取方法,已被广泛研究并证实适合于人脸识别问题。本文在深入分析这两种特征抽取方法理论本质的基础上,结合同类样本的局部几何信息,提出了局部距离核最大间距准则的特征抽取方法。这种方法的特点是充分利用了训练样本的局部距离信息和类别信息,抽取出了更有利于分类的非线性特征。(3)核典型相关分析基于核考察了两组变量之间的相关关系,核广义典型相关分析和核鉴别典型相关分析对其进行了优化,但都有一定的局限性。为解决较为复杂的线性不可分问题(如人脸识别),本文提出了核广义鉴别典型相关分析,不仅引入类信息,还充分考虑了样本之间的相关关系对其分类的影响,在人脸库上的实验表明了此方法的识别性能有所提高。(4)最后,本文提出了局部距离鉴别典型相关分析(Local DCCA),通过构造同类样本的距离矩阵,使类间相关矩阵极大,同时类内相关矩阵极小。利用核思想,本文进而提出核局部距离鉴别典型相关分析,在人脸库上的实验证实了所提算法在分类性能上的有效性。(本文来源于《南京理工大学》期刊2009-05-01）
刘永俊,陈才扣,赵根林,杨静宇[2]（2008）在《新的非线性鉴别特征抽取方法及人脸识别》一文中研究指出在非线性空间中采用新的最大散度差鉴别准则,提出了一种新的核最大散度差鉴别分析方法。该方法不仅有效地抽取了人脸图像的非线性鉴别特征,而且从根本上避免了以往核Fisher鉴别分析中训练样本总数较多时,通常存在的核散布矩阵奇异的问题,计算复杂度大大降低,识别速度有了明显的提高。在ORL人脸数据库上的实验结果验证了该算法的有效性。(本文来源于《计算机工程与设计》期刊2008年06期）
杨梦宁[3]（2005）在《基于非线性特征抽取法和人工神经网络的人脸识别方法的研究》一文中研究指出特征抽取是模式识别研究的最基本问题之一。对于图像识别而言,抽取有效的图像特征是完成图像识别的首要任务。基于核的特征抽取方法是最近提出的一种非常有效的非线性特征提取的方法。目前,尽管核方法在图像等模式识别领域应用的非常广泛和成功,但也存在如下一些问题:一、构造特征空间H 中的核矩阵K 所耗费的计算量非常大;二、当训练样本数N 很大时,一方面会使得核矩阵的存储空间急剧增加,另一方面造成核矩阵的不可逆。为此,该文就基于核的非线性特征抽取及识别方法中的许多问题进行了深入研究,在深入分析PCA(Principal Component Analysis)与KPCA(Kernel Principal Component Analysis)法的基础上提出了一种两阶段的核特征抽取方法:PCA+KPCA,即在进行非线性映射之前,首先利用经典的主分量分析降维,然后再执行核主分量分析(KPCA)。为了进一步降低经典PCA 的处理时间,使本算法具有更高的效率,对C-PCA 进行了改进,提出了直接基于图像矩阵的主分量分析(I-PCA)。在ORL 标准人脸库上的试验结果验证了所提算法的有效性。在使用两阶段特征提取法的基础上,本文构建了一个人脸识别框架。用BP 人工神经网络对两阶段法提取出的特征进行训练和识别。本框架将两阶段法优化的特征抽取与神经网络的自适应性相结合,取得了较高的识别率和识别速度,有一定的抗噪性能。在ORL 人脸库上实验表明本识别框架是准确有效的,取得了较成功的实验效果。(本文来源于《重庆大学》期刊2005-03-20）
陈才扣,高秀梅,郭丽,杨静宇[4]（2005）在《基于小波特征的非线性鉴别特征抽取技术》一文中研究指出该文提出了一种基于小波特征的非线性鉴别特征抽取方法,即在进行非线性映射之前,首先利用小波变换对原始输入图像进行预处理,获取低频平滑、水平细节和垂直细节等3个子图的小波特征,然后在频域上,对它们分别进行核Fisher鉴别分析。对最终获得的3组鉴别特征设计了一种特征融合的方法。在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核Fisher鉴别分析方法,而且,在ORL人脸库上的特征抽取速度提高了近13倍。(本文来源于《电子与信息学报》期刊2005年02期）
徐勇[5]（2004）在《几种线性与非线性特征抽取方法及人脸识别应用》一文中研究指出人脸自动识别是最有价值的应用需求之一，但它同时也最具挑战性。过去几十年中该课题的研究已经取得了较大的进展，但计算机自动识别人脸的技术还远没有达到理想的实际应用需求。复杂的光照条件，多变的人脸表情，以及姿态的变化都增加了人脸自动识别的难度。在理论方面，研究者作了较多的探索，力求得出一些针对人脸的识别精度高、效率优的算法与方法。这其中有子空间方法、Fisher鉴别分析方法，以及以支持向量机为代表的非线性方法、基于遗传算法的分类算法等。关于基于Fisher准则的线性方法的人脸识别应用研究中，金忠、杨健、杨静宇等开展了很多卓有成效的工作。这些工作主要以算法的有效性为出发点展开研究，取得了较好的成果。另一方面，在实际应用中算法的效率也是非常重要的。本文的研究属于人脸识别中算法设计与实现的范畴，本文的讨论同时涉及线性方法与非线性方法；本文除了关注方法的有效性外，更注重方法的高效性。 本文论述了F-S鉴别分析与Fisher鉴别分析间Fisher函数值即类间距离与类内距离间比值大小的关系，指出前者中的鉴别矢量的Fisher函数值一定不小于后者的相应鉴别矢量的Fisher函数值，从而在理论对以前文献中相关实验结果作出了解释。本文的分析还表明，不相关鉴别分析与经典Fisher鉴别分析在理论上具有一致性。本文发展了一个基于Fisher准则的鉴别分析算法。 本文详细讨论了核Fisher鉴别分析方法。该方法的分类实现必须依赖待分类样本与所有训练样本间核函数，其效率随着训练样本数的增多而降低。针对这一特点，我们提出构造核Fisher鉴别分析优化算法，以提高测试样本集特征抽取效率的思想。本文直接基于Fisher准则函数，设计出合理的算法，从训练集中构造出“显着”训练样本集；在此基础之上的分类实现只依赖于待分类样本与“显着”训练样本集中样本间的核函数。在基准数据集与人脸图象库上的实验显示，“显着”训练样本集中的样本数仅占总训练样本的一小部分。因此，相应的特征抽取效率将大大提高，这种提高对效率要求较高的实时应用意义重大。不仅如此，该优化算法在实验中取得的分类正确率与原核Fisher鉴别分析相当。在这一部分的讨论中，针对两类问题的优化算法设计与针对多类问题的优化算法设计中判别函数的选择稍有区别。 分析表明，对两类分类问题，如果选用合适的类别标示，引入核函数的一种线性算法与核Fisher鉴别分析方法等效。文中提出一个较为合理的判别函数，并摘要博士论文直接构造该线性算法的优化方案。这种优化方案针对两类问题提出，同时可方便地进行扩展以解决多类分类问题。本文在基准数据集上进行两类分类实验，在人脸库上进行了多类分类的对比实验，实验显示该优化算法效率较优，分类正确率较高。文中并对该优化方案与直接基于Fisher准则函数构造的核Fisher鉴别分析优化方案的实验结果差异进行了适当的分析。 主分量分析是应用得最多的特征抽取方法之一。应用核主分量分析抽取测试集中某样本特征的效率也受到训练样本集大小的约束，因为必须计算该样本与所有训练样本间的核函数。本文从主分量分析的实质出发，设计出了一种核主分量分析特征抽取的优化算法。该算法仅使用训练集中一部分样本即可实现特征抽取。在基准数据集上该优化算法取得了非常好的效果。 本文上述优化方案和算法的设计都取得了较好的实验结果，效率的提升非常明显。需要说明的是，这些方案的高效并非以减小训练集的大小为代价。实际上，虽然对测试样本的特征抽取仅依赖于一部分训练样本(称为“显着”训练样本)与待测试样本间的核函数;所有的训练样本均参与了训练过程，各个参数的得出即是联合所有训练样本与“显着”样本才得出的。因此，上述优化方案与借助较大训练集得出较好训练效果的预期并不排斥。 较大的光照变化是影响人脸识别正确率的主要因素之一。本文关注较大光照变化下固定姿态的人脸图象识别问题，认为实际光照下的人脸图象是理想光照下的“标准”图象与误差图象之和，本文使用两种技术路线探索提高人脸识别正确率的方案。其一是尝试将所有人脸图象转换为理想光照下的相应“标准”图象，并在此基础上进行识别。此外，基于两个命题，文中提出了人脸图象的误差模型，即认为在具有合理大小的图象区域范围内，实际图象中点的灰度值与“标准”图象中相应点灰度值的比值为一定常数。以此为基础，直接基于实际光照下的人脸图象，发展出了分区域的图象分类判别方法。YaleB人脸图象库上较好的实验结果说明了该方法的有效性。关键词:特征抽取，Fishe:鉴别分析，核主分量分析，核非线性鉴别分析， 变化光照人脸识别(本文来源于《南京理工大学》期刊2004-10-01）
陈才扣,宋枫溪,杨静宇,杨健[6]（2004）在《基于图像矩阵的非线性不相关鉴别特征抽取技术》一文中研究指出针对现有核 Fisher鉴别分析方法的弱点 ,提出了一种基于图像矩阵的非线性不相关鉴别特征抽取技术。该方法的基本思路是 :首先 ,通过经验核映射将原始输入空间 Rn 映射到某特征空间 RN,然后将特征空间 RN 上的训练样本向量变换为一个 p×k( N=p×k)的图像矩阵 ,最后基于该图像矩阵直接构造该空间上的散布矩阵。在Concordia大学的 CENPARMI手写体数字数据库上的试验结果验证了本文方法的有效性。(本文来源于《数据采集与处理》期刊2004年02期）
彭召意,蒋伟进[7]（2004）在《非线性复杂系统特征抽取算法的研究》一文中研究指出为保证复杂系统的可靠运行,提高故障快速诊断能力,利用解析小波和积分小波分别计算BOX维数和关联维数的方法,融合小波变换模极大值和分维构成一种综合特征提取技术,应用表明,算法能有效提高诊断的准确性和系统的稳定性。(本文来源于《微机发展》期刊2004年05期）
陈才扣[8]（2004）在《基于核的非线性特征抽取与图象识别研究》一文中研究指出特征抽取是模式识别研究的最基本问题之一。对于图象识别而言，抽取有效的图象特征是完成图象识别的首要任务。基于核的特征抽取方法是最近刚刚提出的一种非常有效的非线性特征提取的方法。该文就有关基于核的非线性特征抽取及识别方法中的若干问题进行了深入的研究，所提出的算法在人脸识别和手写体字符识别方面得到了较成功的应用。 基于统计不相关性的Fisher线性鉴别分析是特征抽取的最好方法之一，在此基础上，本文提出了基于核的统计不相关鉴别分析方法。该方法不仅能够有效地抽取非线性特征，而且能够彻底消除样本特征之间的统计相关性，并指出基于核的统计不相关鉴别分析方法是经典的Fisher鉴别分析和统计不相关鉴别分析的进一步发展。在ORL标准人脸库上的试验结果表明，在识别性能上所提出的方法不仅优于基于经典的线性鉴别分析方法和统计不相关线性鉴别分析方法，而且也优于核Fisher鉴别分析。在此基础上，引入空间变换的思想，提出了一种快速的核Fisher鉴别分析，从理论上巧妙地解决了高维特征空间内类内散布矩阵奇异情况下最优鉴别矢量集的求解问题，而且较大幅度地降低了求解最优鉴别矢量集的计算量，提高了计算速度。在ORL人脸库上的试验结果表明，其特征抽取的速度提高了近3倍。 该文对核Fisher鉴别分析(KFDA)进行了深入分析，发现了一种与之等价的但更为简单的非线性特征抽取方法，即先利用一个函数向量映射将原始n维输入空间R~n变换到一个更低维的空间R~N(N是训练样本的数目，N<<n)，然后在该空间上利用线性Fisher鉴别分析进行最优特征抽取。在此基础上，本文给出了特征抽取的一般模型，根据此模型，设计了一个基于矩阵相似度的特征抽取算法。最后，在ORL人脸库上的实验结果验证了本文所提模型的有效性。 目前，尽管核方法在图象等模式识别领域应用的非常广泛和成功，但也存在如下一些问题：一、构造特征空间H中的核矩阵K所耗费的计算量非常大。二、当训练样本数N很大时，一方面会使得核矩阵的存储空间急剧增加，因为核矩阵的维数为N×N；另一方面造成核矩阵的不可逆。为此，本文提出了两种两阶段的核特征抽取方法：PCA+KFDA和PCA+KPCA，即在进行非线性映射之前，首先利用经典的主分量分析降维，然后再执行核Fisher鉴别分析(KFDA)或核主分量分析(KPCA)。为了进一步降低经典PCA的处理时间，使本算法具有更高的效率，对C-PCA进行了改进，提出了摘要博士论文直接基于图象矩阵的主分量分析(l一PCA)。在ORL标准人脸库上的试验结果验证了所提算法的有效性。 聚类技术是模式式别领域应用非常广泛的非监督学习技术，为了解决核方法中计算复杂度随着训练样本的数目的增加而增大的问题，本文提出了一种基于聚类的核矩阵维度缩减技术，它的思想就是首先利用非线性映射磷原始输入空间变换到某高维特征空间，然后根据k一均值聚类算法计算代表集，利用该代表集计算得到一组标准正交的基向量，构成一个低维的投影子空间。在CEN]助kR犯手写体阿拉伯数字库的试验结果证实了所提算法的有效性。 本文提出了一种融合小波特征的核Fisher鉴别分析方法，即在进行非线性映射之前，首先利用小波变换对原始输入图象进行预处理，抽取图象的小波特征，然后在频域上进行核Fisher鉴别分析。在ORL标准人脸库上的试验结果表明所提出的方法不仅在识别性能上优于现有的核Fisher鉴别分析方法，而且，特征抽取的速度提高了近13倍:在、习e人脸库上进一步证实了本文方法的有效性。 因为传统的PCA方法是以总体协方差矩阵作为产生矩阵的K-L展开方法，本身无法利用训练样本的类别信息(包括KPCA)。另一方面，PCA是基于线性变换的特征抽取方法，无法抽取非线性特征，第叁，PCA主要选取模式样本的主分量信息，忽视了可能对分类仍然有用的次分量信息。针对PCA的上述缺点，本文提出了一种改进的核主分量分析方法-一.核最优鉴别K-L变换方法，该方法不仅能够抽取模式的非线性最优表示特征，而且这些特征具有与LDA等价的鉴别力，并且保留了一部份有用的次分量信息(二阶矩鉴别信息)。在ORL标准人脸库上的试验结果验证了所提的方法的有效性.(本文来源于《南京理工大学》期刊2004-05-01）
非线性特征抽取论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在非线性空间中采用新的最大散度差鉴别准则,提出了一种新的核最大散度差鉴别分析方法。该方法不仅有效地抽取了人脸图像的非线性鉴别特征,而且从根本上避免了以往核Fisher鉴别分析中训练样本总数较多时,通常存在的核散布矩阵奇异的问题,计算复杂度大大降低,识别速度有了明显的提高。在ORL人脸数据库上的实验结果验证了该算法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
非线性特征抽取论文参考文献
[1].任建辉.基于核的非线性特征抽取与人脸识别方法研究[D].南京理工大学.2009
[2].刘永俊,陈才扣,赵根林,杨静宇.新的非线性鉴别特征抽取方法及人脸识别[J].计算机工程与设计.2008
[3].杨梦宁.基于非线性特征抽取法和人工神经网络的人脸识别方法的研究[D].重庆大学.2005
[4].陈才扣,高秀梅,郭丽,杨静宇.基于小波特征的非线性鉴别特征抽取技术[J].电子与信息学报.2005
[5].徐勇.几种线性与非线性特征抽取方法及人脸识别应用[D].南京理工大学.2004
[6].陈才扣,宋枫溪,杨静宇,杨健.基于图像矩阵的非线性不相关鉴别特征抽取技术[J].数据采集与处理.2004
[7].彭召意,蒋伟进.非线性复杂系统特征抽取算法的研究[J].微机发展.2004
[8].陈才扣.基于核的非线性特征抽取与图象识别研究[D].南京理工大学.2004
论文知识图
