导读:本文包含了保局算法论文开题报告文献综述及选题提纲参考文献，主要关键词:点云配准,主成分分析,保局投影
保局算法论文文献综述
王育坚,吴明明,高倩[1]（2018）在《基于保局PCA的叁维点云配准算法》一文中研究指出叁维点云配准是叁维重建过程中的重要环节,PCA算法应用于点云配准时无法保留点云局部特征,影响了配准效果,故提出一种基于保局PCA的叁维点云配准算法。为了保留点云局部特征,采用保局投影LPP的思想,通过K近邻准则构造点云的邻接图及其补图;对邻近点和非邻近点采取不同的处理方式进行特征提取,通过特征矩阵求得转换参数,进行坐标归一化完成配准;为了减少光照噪声影响,对特征向量矩阵前叁个主分量加权后求转换参数。实验结果表明,改进算法在对局部特征结构明显的点云进行配准时有较好的效果,改善了对光照噪声的鲁棒性。(本文来源于《光学技术》期刊2018年05期）
汪晶[2]（2016）在《基于L1范数的核判别保局投影算法研究》一文中研究指出近年来,随着人们获取信息的工具和技术的不断创新,现实世界中得到的数据往往维数非常的高,所以,数据降维技术成为了处理高维数据中不可或缺的关键技术。因此,各种线性降维技术应运而生,如主成分分析法(PCA)、线性判别分析法(LDA)等等。而基于L1范数的判别保局投影算法(DLPP-L1)也是一个很高效的线性降维技术,它在保持样本局部结构信息的同时充分利用样本类间和类内判别信息的差异。DLPP-L1通过寻找一组最佳投影向量,将高维数据映射到低维特征空间中,使得在低维特征空间中,不仅要最大化类间样本的分散度而且要最小化类内样本的分散度。而随着K-SVM算法的提出,使用核技巧的方法受到了越来越多人的关注,它是将原始空间中的数据映射到高维空间中去,使得在高维空间中数据之间能具有更大的区分性。研究者将核函数引入到线性降维方法中,将线性降维方法推广为基于核函数的非线性版本。相应的实验结果也表明,使用核函数的降维方法在识别性能方面有明显的提高,因此,本文对基于Ll范数的判别保局投影算法(DLPP-L1)进行研究并将核函数引入DLPP-L1算法中,提出基于L1范数的核判别保局投影算法。与此同时,直接基于图像矩阵的投影技术在线性降维中也取得了很好的效果,它直接对图像矩阵进行投影而不需要拉直成向量,避免了维数灾难问题。因此,本文的第二个工作是将直接基于图像矩阵的投影技术运用于DLPP-L1算法中,提出基于L1范数的二维判别保局投影算法。本文的研究内容总结如下：(1)为了提高基于L1范数的判别保局投影算法的分类性能,更好地利用样本的非线性结构。我们将核函数引入DLPP-L1算法中,提出基于L1范数的核判别保局投影算法(KDLPP-L1)。采用一个新的迭代算法来求解其最佳投影方向并且给出了目标函数迭代收敛性的证明。实验结果表明,KDLPP-L1算法和DLPP-L1算法相比性能有明显的提升。(2)DLPP-L1算法要将图像矩阵拉直成向量,然后再进行投影降维,这样转换后的向量通常维数非常高,会造成维数灾难问题。为了克服这一局限性,本文将直接基于图像矩阵的投影技术运用于DLPP-L1算法中,提出基于L1范数的二维判别保局投影算法(2DDLPP-L1)。采用一个迭代算法来求解其最优投影向量并给出其算法合理性的理论证明。实验结果表明,2DDLPP-L1算法的识别性能和鲁棒性较DLPP-L1算法有很显着的提升,而且在它的相关方法中也是最好的。(本文来源于《安徽大学》期刊2016-03-01）
苟建平,詹永照,张建明,沈项军[3]（2015）在《一种可鉴别的稀疏保局投影算法》一文中研究指出为了增强高维数据在低维子空间中的模式识别能力,假设任意2个类别相同的相似样本其稀疏表示也相似,并基于SPP和LPP思想,提出一种可鉴别稀疏保局投影降维新方法 DSLPP.该方法通过稀疏表示学习和保局部投影,使得在投影子空间中不仅能够保持稀疏表示对数据很好的表达能力,而且较好地获取高维数据所蕴含的本质局部流形结构和自然判别信息,从而增强高维数据在子空间中的表示能力和可鉴别能力.在3个典型的人脸数据集Yale,ORL和PIE29上,将所提出方法 DSLPP与PCA,LPP,NPE和SPP进行对比试验.结果表明DSLPP是一种有效的降维方法,能够较好地改善高维数据在低维子空间中的分类效果.(本文来源于《江苏大学学报(自然科学版)》期刊2015年06期）
龚劬,马家军[4]（2014）在《基于改进二维保局投影算法的人脸识别》一文中研究指出传统的二维保局投影(2DLPP)算法未考虑样本邻域间局部信息,并且所提取的特征矩阵分量间存在相关性。针对该问题,提出基于大间距准则的最小相关性监督2DLPP算法。引入类间局部散度矩阵和类内局部散度矩阵,最大化带权的散度矩阵迹差,以增大样本类间散度,减小样本类内散度,从而更好地刻画数据的流形结构。计算所提取特征矩阵各分量间的协方差矩阵,通过最小相关性分析,减少特征信息的冗余。在Yale和ORL人脸库上进行仿真实验,结果显示,当训练样本数为5时,该算法的最高识别率分别为92.5%和96.2%,与传统2DLPP算法、二维主成分分析法、二维线性判别分析法和二维大间距准则法相比,识别率均有所提高。同时对不同训练样本数下识别率均值和方差进行分析,验证了算法的稳定性。(本文来源于《计算机工程》期刊2014年09期）
许相莉,胡晓峰[5]（2013）在《战略模拟中基于保局投影的图像信息按需检索算法》一文中研究指出针对战略模拟对抗研讨过程对关联图像信息的时效性、个性化、和动态演化需求,提出一种基于保局投影(Locality Preserving Projections,LPP)的图像信息按需检索算法。首先设计了一个由多个LPP单特征权矩阵合成的多特征权矩阵,对战略模拟图像数据进行高效降维;其次结合战略模拟的动态推演过程,提出了LPP多特征权矩阵的全局和局部优化策略,根据用户与系统交互获得的正负反馈,对用户的图像信息需求结构进行动态优化拟合。仿真实验结果表明,算法能够根据推演需求的动态演化实时返回内容上更具贴合度的图像信息,在一定程度上实现了战略模拟中的图像信息按需服务。(本文来源于《系统仿真学报》期刊2013年12期）
张伟东[6]（2012）在《基于Gabor的判别保局投影算法在表情识别中的应用》一文中研究指出本文提出一种基于Gabor的判别保局投影(GDLPP)算法,来进行表情特征的提取和降维。先利用Gabor小波变换来提取表情特征。再对局部保持投影(LPP)算法进行改进,在目标函数中引入散度差来增加样本的类间散度约束,使得在降维的同时提取出更具判别性的特征。(本文来源于《无线互联科技》期刊2012年10期）
林玉娥,李敬兆,梁兴柱,林玉荣[7]（2012）在《直接正交鉴别保局投影算法》一文中研究指出针对保局投影(LPP)及其衍生出的算法在人脸识别时须先采用主成分分析(PCA)算法对高维样本降维后才能应用,本文基于正交鉴别保局投影(ODLPP,orthogonal discriminal locality pre-serving projection)算法,提出了一种直接ODLPP(DODLPP)算法,利用拉普拉斯矩阵性质进行了相应的矩阵分解,可直接从高维样本的原始空间中提取投影矩阵。为解决ODLPP算法的小样本问题,给出先求解局部类内散度矩阵的零空间,然后再最大化类间散度矩阵的求解思路。人脸库上的实验结果表明所提算法的有效性。(本文来源于《光电子.激光》期刊2012年03期）
卢桂馥,王勇,金忠[8]（2011）在《快速的完备鉴别保局投影人脸识别算法》一文中研究指出提出一种快速的完备鉴别保局投影算法(FCDLPP).FCDLPP算法只需使用一次瘦QR分解就可求得保局类内散布的零空间的鉴别矢量,然后再进行一次广义特征值分解求得保局类内散布的主元空间的鉴别矢量.另外,FCDLPP对零空间的不规则鉴别特征和主元空间的规则鉴别特征进行融合.理论分析和实验结果表明,FCDLPP算法不论在计算复杂度还是识别率上都比完备的鉴别保局投影算法有更好的性能和效果.(本文来源于《模式识别与人工智能》期刊2011年06期）
王一,杨俊安,刘辉[9]（2011）在《基于保局判别投影的声目标特征提取算法》一文中研究指出针对现有声目标识别技术鲁棒性较差的实际情况,提出了一种监督性流形学习算法—保局判别投影(LPDP)算法。算法在流形学习保局投影(LPP)算法的基础上,引入了控制类间和类内距离的改进最大边缘标准(MMMC),使得这种特征提取算法既具有线性流形学习算法样本外点学习的优点,又能够有效解决小样本问题,并能在后续的分类中取得良好效果。通过在公开数据库和战场实际数据的特征提取实验,结果表明算法的识别率和稳定性均优于现有其他算法。(本文来源于《电路与系统学报》期刊2011年05期）
李铁,孙劲光,刘旸[10]（2011）在《基于分形与保局投影的人脸识别算法的研究》一文中研究指出针对人脸识别中的特征提取问题,本文提出了一种将分形编码和判别局部保持投影相结合的人脸识别算法——FOLPP。该算法首先通过对人脸图片进行分形编码获得样本的稳定统计信息,然后通过对保局投影(LPP)算法的目标函数修改,增加样本类间的散布约束,从而提取更有判别特性的识别特征。在ORL人脸库和Yale人脸库的测试结果表明,在光照,姿态,表情变化的情况下,FOLPP具有较好的识别效果。(本文来源于《第七届和谐人机环境联合学术会议（HHME2011)论文集【oral】》期刊2011-09-17）
保局算法论文开题报告
（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：
近年来,随着人们获取信息的工具和技术的不断创新,现实世界中得到的数据往往维数非常的高,所以,数据降维技术成为了处理高维数据中不可或缺的关键技术。因此,各种线性降维技术应运而生,如主成分分析法(PCA)、线性判别分析法(LDA)等等。而基于L1范数的判别保局投影算法(DLPP-L1)也是一个很高效的线性降维技术,它在保持样本局部结构信息的同时充分利用样本类间和类内判别信息的差异。DLPP-L1通过寻找一组最佳投影向量,将高维数据映射到低维特征空间中,使得在低维特征空间中,不仅要最大化类间样本的分散度而且要最小化类内样本的分散度。而随着K-SVM算法的提出,使用核技巧的方法受到了越来越多人的关注,它是将原始空间中的数据映射到高维空间中去,使得在高维空间中数据之间能具有更大的区分性。研究者将核函数引入到线性降维方法中,将线性降维方法推广为基于核函数的非线性版本。相应的实验结果也表明,使用核函数的降维方法在识别性能方面有明显的提高,因此,本文对基于Ll范数的判别保局投影算法(DLPP-L1)进行研究并将核函数引入DLPP-L1算法中,提出基于L1范数的核判别保局投影算法。与此同时,直接基于图像矩阵的投影技术在线性降维中也取得了很好的效果,它直接对图像矩阵进行投影而不需要拉直成向量,避免了维数灾难问题。因此,本文的第二个工作是将直接基于图像矩阵的投影技术运用于DLPP-L1算法中,提出基于L1范数的二维判别保局投影算法。本文的研究内容总结如下：(1)为了提高基于L1范数的判别保局投影算法的分类性能,更好地利用样本的非线性结构。我们将核函数引入DLPP-L1算法中,提出基于L1范数的核判别保局投影算法(KDLPP-L1)。采用一个新的迭代算法来求解其最佳投影方向并且给出了目标函数迭代收敛性的证明。实验结果表明,KDLPP-L1算法和DLPP-L1算法相比性能有明显的提升。(2)DLPP-L1算法要将图像矩阵拉直成向量,然后再进行投影降维,这样转换后的向量通常维数非常高,会造成维数灾难问题。为了克服这一局限性,本文将直接基于图像矩阵的投影技术运用于DLPP-L1算法中,提出基于L1范数的二维判别保局投影算法(2DDLPP-L1)。采用一个迭代算法来求解其最优投影向量并给出其算法合理性的理论证明。实验结果表明,2DDLPP-L1算法的识别性能和鲁棒性较DLPP-L1算法有很显着的提升,而且在它的相关方法中也是最好的。
（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。
保局算法论文参考文献
[1].王育坚,吴明明,高倩.基于保局PCA的叁维点云配准算法[J].光学技术.2018
[2].汪晶.基于L1范数的核判别保局投影算法研究[D].安徽大学.2016
[3].苟建平,詹永照,张建明,沈项军.一种可鉴别的稀疏保局投影算法[J].江苏大学学报(自然科学版).2015
[4].龚劬,马家军.基于改进二维保局投影算法的人脸识别[J].计算机工程.2014
[5].许相莉,胡晓峰.战略模拟中基于保局投影的图像信息按需检索算法[J].系统仿真学报.2013
[6].张伟东.基于Gabor的判别保局投影算法在表情识别中的应用[J].无线互联科技.2012
[7].林玉娥,李敬兆,梁兴柱,林玉荣.直接正交鉴别保局投影算法[J].光电子.激光.2012
[8].卢桂馥,王勇,金忠.快速的完备鉴别保局投影人脸识别算法[J].模式识别与人工智能.2011
[9].王一,杨俊安,刘辉.基于保局判别投影的声目标特征提取算法[J].电路与系统学报.2011
[10].李铁,孙劲光,刘旸.基于分形与保局投影的人脸识别算法的研究[C].第七届和谐人机环境联合学术会议（HHME2011)论文集【oral】.2011