导读:本文包含了原型超平面论文开题报告文献综述及选题提纲参考文献，主要关键词:户外人脸识别,原型超平面学习,中层特征表示,支持向量机
原型超平面论文文献综述
张博[1]（2014）在《学习原型超平面融合线性判别边信息的人脸识别算法》一文中研究指出针对现实环境中姿势、光照、表情及场景较大变化严重影响户外人脸识别算法识别性能的问题,提出了一种学习原型超平面(PHL)融合线性判别边信息(SILD)算法。首先,利用支持向量机(SVM)将弱标记数据集中的每个样本表示为一个原型超平面中层特征,使用学习组合系数从未标记的通用数据集中选择支持向量稀疏集;然后,在SVM模型组合稀疏系数的约束条件下,借助于Fisher线性判别准则最大化未标记数据集的判别能力,并使用迭代优化算法求解目标函数;最后,利用SILD进行特征提取,用余弦相似性度量完成最终的人脸识别。在户外标记人脸(LFW)和YouTube两大通用人脸数据集上,对PHL+SILD方法和低层特征+SILD方法在强度、LBP、Gabor特征和Block Gabor特征,平均精度、曲线下方面积(AUC)和等差率(EER)进行了比较。实验验证了所提算法的有效性及可靠性。(本文来源于《计算机应用》期刊2014年07期）
王轶冰[2]（2014）在《学习原型超平面融合SILD的户外人脸识别》一文中研究指出非限制环境下光照、姿势、表情等变化已成为户外人脸识别的主要瓶颈所在。针对这一问题,提出了一种学习原型超平面融合线性判别边信息的算法进行人脸识别。利用支持向量机将弱标记数据集中的每个样本表示成一个原型超平面中层特征;使用学习组合系数从未标记的通用数据集中选择支持向量稀疏集;借助于Fisher线性判别准则最大化未标记数据集的判别能力,并使用迭代优化算法求解目标函数;利用线性判别边信息进行特征提取、余弦相似性度量以完成最终的人脸识别。在Extended YaleB和户外标记人脸(LFW)和通用人脸数据集上进行实验,验证了所提算法的有效性和可靠性。实验结果表明,相比其他几种较为先进的人脸识别算法,所提算法取得更好的识别性能。(本文来源于《计算机工程与应用》期刊2014年10期）
李超顺,周建中,向秀桥,刘力,贺徽[3]（2009）在《基于超平面原型聚类的水轮机调速系统模糊模型辨识》一文中研究指出针对水轮机调速系统的辨识难题,提出了1种基于超平面原型聚类的T-S模糊模型辨识方法.基于局部模糊模型线性度的重要性,推导出1种基于超平面的模糊聚类算法.该算法以优化局部模型线性度为目标,进行模糊模型前提结构辨识,能使局部模型具有良好的线性度;它应用变尺度混沌优化方法搜索最优聚类结果,避免陷入局部极小;应用最小二乘法实现模糊模型结论参数辨识.以某水电厂水轮机调速系统为对象,采用该方法建立了T-S模糊模型,并对其进行了辨识和对比试验.结果表明:建立的T-S辨识模型具有较高的辨识精度及较强的泛化能力,提出的模型辨识方法有效可行.(本文来源于《动力工程》期刊2009年04期）
马波,王正群,侯艳平,沈洁[4]（2009）在《基于主次原型超平面最接近支持向量机》一文中研究指出基于广义特征值的最接近支持向量机GEPSVM是一种新的具有与SVM性能相当的两类分类方法,通过求解广义特征值来获得两个彼此不平行的拟合两类样本的超平面,其决策规则是将测试样本归为距其最近的超平面所在的类。然而,该规则在某些情形会导致较差的分类结果。对此,本文提出了在利用GEPSVM产生一个主原型超平面的基础上,再利用主原型超平面及它类样本的信息构造一个次原型超平面,形成一个由主次原型超平面共同决策的最接近支持向量机。该方法不仅简单且易于实现,而且具有较GEPSVM更优的分类性能。在UCI数据集上的实验验证了它的有效性。(本文来源于《计算机工程与科学》期刊2009年01期）
王颖[5]（2006）在《基于超平面原型的聚类算法及相应扩展神经网络的研究》一文中研究指出聚类分析是发掘数据内在结构的基本工具之一,也是统计模式识别中非监督模式分类的一个重要分支。常用的聚类算法大体上可分为:基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法和基于模型的方法。本文主要研究对象——k-平面聚类算法属于划分方法。它从原型选择的角度推广了传统的k-均值算法,用超平面替代k-均值算法中的中心点来表示聚类原型,并通过最小化样本点到最近中心超平面平方距离之和来求取原型超平面。本文将模糊划分的思想引入k-平面聚类算法,提出了一种新颖的模糊c-平面聚类算法。它同样以超平面表示聚类中心,但同时考虑了各个样本点属于每个聚类的可能性,建立了模糊化的目标函数,并通过最小化该目标函数来获得中心超平面,从而比k-平面聚类算法更能体现样本点与各中心超平面之间的隶属关系。实验结果证实了模糊c-平面聚类算法的聚类有效性。为了更进一步扩展k-平面聚类算法的用途,我们将k-平面聚类算法融入高斯径向基函数扩展出所谓的平面高斯函数。以此函数作为隐含层激活函数,发展出了一种新颖的平面高斯神经网络。该网络综合了多层感知器网络的结构与径向基函数网络的学习方法,因此,可视为介于以上两种网络之间的一种新型网络模型。实验结果证实了叁种网络具有相当的分类性能,且平面高斯网络尤其适合分类呈子空间分布的数据。由此获得如下结论:无论是用于聚类还是分类,结合了数据分布先验知识的模型才是最有效的模型。(本文来源于《南京航空航天大学》期刊2006-12-01）
杨绪兵,陈松灿[6]（2006）在《基于原型超平面的多类最接近支持向量机》一文中研究指出基于广义特征值的最接近支持向量机(proximalsupportvectormachineviageneralizedeigenvalues,GEPSVM)摒弃了传统意义下支持向量机典型平面的平行约束,代之以通过优化使每类原型平面尽可能接近本类样本,同时尽可能远离它类样本的准则来解析获得原型平面;从而避免了SVM的二次规划,其分类性能达到甚至超过了SVM.但GEPSVM仍存在如下不足①仅对两分类问题而提出,无法直接求解多分类问题;②存在正则化因子的选择问题;③求解原型平面的广义特征值问题中所涉及的矩阵一般仅为半正定,容易导致奇异性问题.通过定义新的准则,构建了一个能直接求解多个原型超平面的多分类方法,称之为基于原型超平面的多类最接近支持向量机,较之GEPSVM,该方法优势在于①无正则化因子选择的困扰;②可同时求解多个超平面,对两分类问题,分类性能达到甚至优于GEPSVM;③超平面的选择问题转化为简单特征值而非广义特征值求解问题;④原型平面的选择只依赖于本类样本,故不必考虑多分类情形时的数据不平衡问题.(本文来源于《计算机研究与发展》期刊2006年10期）
原型超平面论文开题报告
（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：
非限制环境下光照、姿势、表情等变化已成为户外人脸识别的主要瓶颈所在。针对这一问题,提出了一种学习原型超平面融合线性判别边信息的算法进行人脸识别。利用支持向量机将弱标记数据集中的每个样本表示成一个原型超平面中层特征;使用学习组合系数从未标记的通用数据集中选择支持向量稀疏集;借助于Fisher线性判别准则最大化未标记数据集的判别能力,并使用迭代优化算法求解目标函数;利用线性判别边信息进行特征提取、余弦相似性度量以完成最终的人脸识别。在Extended YaleB和户外标记人脸(LFW)和通用人脸数据集上进行实验,验证了所提算法的有效性和可靠性。实验结果表明,相比其他几种较为先进的人脸识别算法,所提算法取得更好的识别性能。
（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。
原型超平面论文参考文献
[1].张博.学习原型超平面融合线性判别边信息的人脸识别算法[J].计算机应用.2014
[2].王轶冰.学习原型超平面融合SILD的户外人脸识别[J].计算机工程与应用.2014
[3].李超顺,周建中,向秀桥,刘力,贺徽.基于超平面原型聚类的水轮机调速系统模糊模型辨识[J].动力工程.2009
[4].马波,王正群,侯艳平,沈洁.基于主次原型超平面最接近支持向量机[J].计算机工程与科学.2009
[5].王颖.基于超平面原型的聚类算法及相应扩展神经网络的研究[D].南京航空航天大学.2006
[6].杨绪兵,陈松灿.基于原型超平面的多类最接近支持向量机[J].计算机研究与发展.2006