导读:本文包含了最大间距准则论文开题报告文献综述及选题提纲参考文献，主要关键词:线性降维,L1-范数,非贪婪,最大最小
最大间距准则论文文献综述
左冲[1]（2018）在《基于L1-范数的二维非贪婪加权最大间距准则研究》一文中研究指出当今社会,计算机的发展可谓是一 日千里,人们利用计算机从生活中获得了越来越多的信息。比如在计算机视觉领域中,随着计算机软硬件的发展以及数码产品的普及,图像的数量以及维数每年以指数次方的速度增加。图像的维数越高,包含的信息就越丰富。然而并不是所有的信息都是有用的,高维图像数据中同样包含了大量的冗余信息。我们在处理图像的过程中,这些无用的信息常常会带来许多棘手的问题。因此,在处理图像之前经常需要执行降维操作。经典一维线性降维方法,如PCA、LDA等。二维方法,如2DPCA、2DLDA等。还有以L1-范数为度量准则的方法,如PCA-L1、MMC-L1等。它们在许多场景中都取得了很好的效果。但是传统LDA对于多分类比较薄弱,这是由于它的目标函数中过分强调离中心间距大的类别,导致在特征空间中可以很好的分离离中心间距大的类别,却容易混淆离中心间距小的类别。而且以L1-范数为度量准则的方法由于L1-范数存在绝对值符号,难以直接求解目标函数。很多以L1-范数为度量准则的方法都采用贪婪策略逐个地求解每一个投影方向,这种做法所求得的最优解容易陷入局部值。针对这些方法的不足,一些基于加权的降维方法提了出来,如ILDA等方法,其主要思想是重新定义了目标函数,弱化离样本总体中心比较远的类别并且强调离样本总体中心比较近的类别对最终投影方向的影响,避免了离样本总体中心比较近的类别在降维后混迭在一起。同时还有一些基于非贪婪思想的降维方法被提了出来,如NPCA-L1等方法,这些方法的优点在于可以同时优化整个投影矩阵。此外,一些基于最大最小思想的降维方法已经被应用于许多场景中,并且取得了不错的效果。如CLMLDA、RMMLDA等。通过对上述方法的研究以及针对它们的不足之处,我们提出了以下叁种改进方法:(1)针对MMC-L1降维前需要将图像矩阵向量化,导致破坏了图像的空间结构信息以及2DMMC对噪声鲁棒性较差并且处理多分类比较薄弱的问题,提出了基于L1-范数的二维加权最大间距准则(2DWMMC-L1)。该方法具有叁个优点:一是以L1-范数为度量准则,增强算法的抗噪能力。二是避免将输入样本拉成向量形式,直接在样本矩阵上进行投影,以免破坏样本矩阵的空间结构信息。叁是重新定义目标函数,弱化离样本总体中心比较远的类别并且强调离样本总体中心比较近的类别对最终投影方向的影响,避免了离样本总体中心比较近的类别在降维后混迭在一起。最后,给出求解目标函数的方法以及单调性证明。(2)由于传统基于L1-范数的降维方法中存在绝对值操作,不易直接求解目标函数的最优解。因此,很多基于L1-范数的降维方法都采用贪婪策略逐个地求解每一个投影方向,这种做法所求得的最优解容易陷入局部值。所以我们提出了基于L1-范数的二维非贪婪加权最大间距准则(2DNWMMC-L1)。相比较传统的2DWMMC-L1方法,该方法最突出的亮点在于可以同时优化所有的投影向量,寻求更好的投影矩阵。(3)通过将max-min的思想引入MMC-L1中,提出了基于L1-范数的非贪婪最大最小间距准则(NMLM-L1)以及二维扩展版本。该方法充分利用max-min的思想以及MMC-L1的优点,并采用非贪婪的优化算法求解目标函数。(本文来源于《安徽大学》期刊2018-05-01）
张仕霞,金聪[2]（2018）在《面向人脸识别的最大间距准则优化研究》一文中研究指出基于L1范数的二维最大间距准则算法直接求解十分复杂,即使采用贪心算法将原问题简化,求解方法的复杂度仍然很高,而且不能得到全局最优解。针对此问题提出了新的求解方法,将粒子群优化算法与基于L1范数的二维最大间距准则算法有效的结合,利用粒子群算法优化降维的投影矩阵,同时利用L1范数的二维最大间距准则构造粒子群的适应度函数,使算法能够得到全局最优解,提高人脸识别的精度。改进算法在ORL、Yale以及加噪数据集上的实验验证了该算法的有效性。(本文来源于《电子测量技术》期刊2018年08期）
万鸣华,杨国为,赖志辉[3]（2018）在《最大间距准则框架下的多流形局部图嵌入(MLGE/MMC)算法》一文中研究指出主要针对局部图嵌入(Locally Graph Embedding,LGE)算法在训练样本偏少时进行特征提取,会产生识别精度不高情况,通过引入多流形思想,结合LGE和最大间距准则(Maximum Marginal Criterion,MMC)算法,提出了一种最新的特征提取算法——最大间距准则框架下的多流形局部图嵌入(Multi-Manifold Locally Graph Embedding Based on Maximum Marginal Criterion,MLGE/MMC)算法.首先,该算法将每幅图像分成多幅小图像,这一幅图像分成的这些小图像在高维空间中就构成一个流形,以此类推,多幅图像就构成了多流形;其次,通过最大化多流形类间距离,同时最小化流形类内距离来寻找最佳投影矩阵,即分别构建多流形类间散度矩阵和类内散度矩阵;最后,在MMC准则框架下构造目标函数,通过拉格朗日乘子法和迭代来解决约束条件下的优化问题.在ORL,Yale及AR人脸库上的实验,验证了所提算法的有效性.(本文来源于《南京大学学报(自然科学)》期刊2018年02期）
栗科峰,黄全振[4]（2018）在《融合深度学习与最大间距准则的人脸识别方法》一文中研究指出当前,人脸识别技术遇到的突出问题是光照、姿态、遮挡和表情等因素所引起的识别精度的下降,这些问题是人脸识别系统不完美的主要原因,深度学习是一种新的方法,可有效解决这些问题。首先通过引入深度学习算法进行多层次的学习,然后提取高层特征进行人脸描述,最后应用最大间距准则减小最小二乘估计产生的重建误差,实现有效的面部识别分类。该算法在ORL、CAS-PEAL和扩展Yale-B人脸数据库中进行了不同光照、姿态、遮挡、表情和容貌特征变化条件下的仿真实验。结果表明,所提出的算法比传统线性分类算法具有更高的效率和准确度。(本文来源于《计算机工程与应用》期刊2018年05期）
张仕霞,金聪[5]（2017）在《基于L-p范数的二维最大间距准则及其在人脸识别中的应用》一文中研究指出在二维图像投影降维时,经常使用L-2范数和L-1范数构建降维模型,在一定程度上实现了降维的目标。但是这些方法只适用于单一范数,有很大局限。本文提出了一个新的方法,降维目标函数采用L-p范数(1≤p≤2),这种方法可以构建更加一般化的降维模型,适用于所有同类模型的求解,p=1和p=2可以视作这个模型的特殊情况。所提的方法比单一的L1或L2范数具有更强的灵活性,能够适应不同问题。本文采用目标函数为L-p范数的二维最大间距准则,同时定义了类内离散因子对原始数据降维。通过在ORL和Yale以及加噪数据库上的实验表明本文方法具有更好的鲁棒性和高效性。(本文来源于《电子测量技术》期刊2017年12期）
刘婧[6]（2017）在《基于核范数的二维最大间距准则》一文中研究指出人脸识别技术已经成为当今学者们研究的一项热门问题,它具有十分重要的理论意义与实践应用价值。近年来,伴随着互联网的迅速发展、通讯技术的更新换代,人脸识别技术也得到了巨大的发展,但这其中仍然存在着一些问题,例如当被识别的图像中出现大噪声、光照、表情、以及拍摄方位等变化时,识别的正确率会有所降低,因此在该领域的研究还需要不断地加深。本文基于人脸识别,对其相关内容做了一个简要的概述,包括研究的意义、背景以及当前国内外取得的成果与研究进展。在人脸识别中,特征提取方法是关键性的一步,本文对其中几种典型的算法进行了描述,包括一维、二维以及基于核范数的子空间分析方法。二维最大间距准则算法在人脸识别领域中引起了广泛的关注,它是基于二维的有监督特征提取方法,能够较好地保留样本图像的结构和类别信息;而且该算法有效地克服了二维线性判别分析算法中的“小样本”问题。然而在实际应用中,人脸图像经常会受到稀疏大噪声与光照等干扰,二维最大间距准则难以克服这些环境的影响,引起错误的分类。为了解决这个问题,本文提出一种新的算法——基于核范数的二维最大间距准则(Nuclear Norm Based Two-Dimensional Maximum Margin Criterion,N2DMMC)。本算法采用核范数的度量来代替Frobenius范数,并且给出了求两最优投影矩阵的迭代更新规则,进而使用MATLAB软件在ORL与Yale两个人脸数据库上进行了人脸识别实验,实验结果表明:核范数的度量在计算时不易受到稀疏大噪声与光照等环境的影响,在人脸识别时能更准确地进行分类。(本文来源于《辽宁师范大学》期刊2017-03-01）
程国[7]（2016）在《基于半监督学习的最大间距准则人脸识别》一文中研究指出针对人脸识别中不能同时利用标记样本和无标记样本的问题,提出了一种具有半监督学习的最大间距准则人脸特征提取方法.算法把无监督判别投影的局部和非局部散度矩阵引入到最大间距准则方法中.在ORL和Yale人脸库上的实验结果表明,本方法不但充分利用了有判别信息的标记样本和大量无标记样本,而且更好地发挥了最大间距准则算法的优点,有效地提高了人脸识别率.(本文来源于《成都大学学报(自然科学版)》期刊2016年03期）
万鸣华,卢桂馥[8]（2016）在《分块二维最大间距准则的特征提取方法》一文中研究指出针对二维最大间距准则(Two Dimensional Maximum Margin Criterion,2DMMC)算法进行特征提取时,无法提取局部的特征.同时,该算法也受不同的表情、光照以及姿态等条件的影响,识别的效果也大大降低.因此,提出一种基于分块二维MMC(Modular Two Dimensional Maximum Margin Criterion,M2DMMC)的人脸识别方法.首先,对图像矩阵进行分块,然后对分块后的矩阵进行2DMMC特征抽取,对每一子块抽取的特征进行整体融合,最后采用最近邻判决准则进行分类识别.在ORL,Yale人脸图像库进行实验的结果表明,新算法相对于MMC算法、二维MMC算法以及分块MMC算法均有较好的识别性能.(本文来源于《小型微型计算机系统》期刊2016年09期）
程国[9]（2016）在《基于分类概率保持的最大间距准则人脸识别方法》一文中研究指出针对最大间距准则方法在特征提取中没有考虑原始样本的分布而执行硬分类标准的问题,提出了一种基于分类概率保持的最大间距准则人脸识别方法.首先,计算每个样本的分类概率,并且利用分类概率重新定义了样本的类内和类间散度矩阵;然后利用最大间距准则得到最优投影矩阵;最后将原始样本投影到低维特征空间,保持样本分布信息.在ORL、Yale及FERET人脸数据库上的实验表明,该方法在提高人脸识别率上是有效的.(本文来源于《河南科学》期刊2016年08期）
马家军[10]（2016）在《基于大间距准则的混合核Fisher判别分析》一文中研究指出针对KFDA算法中存在的问题,提出了基于大间距准则的混合核Fisher人脸特征提取算法;首先,将原始数据通过非线性映射投影到高维数据空间;然后,引入大间距准则和混合核函数使得同类样本在投影后离得更近,不同类样本在投影后离得更远;在PIE和AR人脸库中的仿真实验验证了算法的有效性和稳定性。(本文来源于《重庆工商大学学报(自然科学版)》期刊2016年03期）
最大间距准则论文开题报告
（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：
基于L1范数的二维最大间距准则算法直接求解十分复杂,即使采用贪心算法将原问题简化,求解方法的复杂度仍然很高,而且不能得到全局最优解。针对此问题提出了新的求解方法,将粒子群优化算法与基于L1范数的二维最大间距准则算法有效的结合,利用粒子群算法优化降维的投影矩阵,同时利用L1范数的二维最大间距准则构造粒子群的适应度函数,使算法能够得到全局最优解,提高人脸识别的精度。改进算法在ORL、Yale以及加噪数据集上的实验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。
最大间距准则论文参考文献
[1].左冲.基于L1-范数的二维非贪婪加权最大间距准则研究[D].安徽大学.2018
[2].张仕霞,金聪.面向人脸识别的最大间距准则优化研究[J].电子测量技术.2018
[3].万鸣华,杨国为,赖志辉.最大间距准则框架下的多流形局部图嵌入(MLGE/MMC)算法[J].南京大学学报(自然科学).2018
[4].栗科峰,黄全振.融合深度学习与最大间距准则的人脸识别方法[J].计算机工程与应用.2018
[5].张仕霞,金聪.基于L-p范数的二维最大间距准则及其在人脸识别中的应用[J].电子测量技术.2017
[6].刘婧.基于核范数的二维最大间距准则[D].辽宁师范大学.2017
[7].程国.基于半监督学习的最大间距准则人脸识别[J].成都大学学报(自然科学版).2016
[8].万鸣华,卢桂馥.分块二维最大间距准则的特征提取方法[J].小型微型计算机系统.2016
[9].程国.基于分类概率保持的最大间距准则人脸识别方法[J].河南科学.2016
[10].马家军.基于大间距准则的混合核Fisher判别分析[J].重庆工商大学学报(自然科学版).2016