导读:本文包含了保局子空间论文开题报告文献综述及选题提纲参考文献，主要关键词:监督保局投影,虚假近邻点,特征选择,模式分类
保局子空间论文文献综述
辜小花,李太福,杨利平,易军,周伟[1]（2014）在《基于监督保局子空间虚假近邻准则的原始特征选择》一文中研究指出提出一种基于监督保局投影(SLPP)与虚假最近邻(FNN)准则的原始特征选择方法。该方法首先将非线性原始数据映射到监督保局子空间,消除样本数据输入变量之间的相关性;然后,利用虚假近邻点方法计算剔除每个原始特征前后输入样本在监督保局子空间里的相似性测度,获得每个原始特征对类别变量不同程度的解释力;最后,从全特征开始逐步剔除解释能力弱的特征进而获得多组特征子集,并建立最近邻分类器,识别率最高且含特征数最少的特征子集即为最优特征子集。采用合成数据对该方法进行了仿真验证,结果表明,该方法可获得与数据集本质分类特征吻合的最佳特征子集。将该方法应用于选择真实的低阻油气层特征,获得的最佳特征子集比全特征集合的特征数量减少了50%以上,分类识别率高出8%。结果显示该方法具有优秀的原始特征选择能力,是一种有效的非线性特征选择方法。(本文来源于《光学精密工程》期刊2014年07期）
楼宋江[2]（2011）在《基于保局子空间分析的人脸特征提取算法研究》一文中研究指出特征提取是模式识别的一个基本问题,提取有效特征对人脸识别起着关键的作用。在众多的特征提取算法中,基于子空间算法由于计算量小、识别性能较好而成为人脸识别中的主流算法。主成分分析和线性判别分析算法开创了子空间算法的研究,并且取得了很大的成功。但是有研究表明人脸图像其实是存在于一个非线性流形结构中,因此基于欧氏空间的主成分分析和线性判别分析无法揭示人脸图像的非线性流形结构,即所提取的特征对分类并不是最优的。局部保持投影算法是流形学习算法拉普拉斯特征映射的线性逼近,因此它能挖掘人脸图像的流形结构。本文基于局部保持投影算法,从统计学、非线性特征提取、二维图像特征提取和小样本问题等角度出发,对保局算法进行了深入研究。具体的研究内容包括：1、针对保局算法是一种非监督学习算法,即未充分利用样本的类别信息,并且提取的特征存在冗余等问题,提出了无关性判别保局算法。原始的保局算法只考虑了数据的局部性,没有考虑样本的类别信息,也没有考虑所提特征之间是否存在相关性。现有的改进算法虽然考虑了类别信息,但是大部分没有考虑样本的类间信息。无关性判别保局算法在继承保局算法的保持局部性的同时,考虑了样本的类别信息,并且外加无关性条件,使得所提特征之间相互无关,这样降低了数据冗余,这两方面保证了所提取的特征具有更强的判别能力。2、针对保局算法本质上是一种线性算法,提出了核正交判别保局差异最大分析。保局算法只考虑了样本的局部性,未考虑样本之间的差异性,并且算法在本质上是一种线性算法,所得到的特征也未正交。为了解决这些问题,所提出的算法先通过核函数将原始样本映射到高维空间中,使得样本在高维空间中线性可分,然后在该空间中分别考虑样本的局部性和差异性,外加正交性条件的限制,使得所提取的特征能处理非线性样本,而正交性条件更有利于样本重构,因此提高了算法的识别性能。3、针对保局算法是基于一维向量的,即需要先把二维图像矩阵转换为一维向量,然后进行特征提取,提出了基于酉子空间的二维判别保局算法。保局算法在把图像矩阵转换为一维向量的过程中,破坏了图像的像素结构,并且会产生小样本问题,不利于模式分类。所提算法在保局算法的基础上,增加了类别信息,并且直接利用图像矩阵分别在水平方向和垂直方向上求解转换矩阵,然后在酉空间内构建一个复矩阵,最后运用线性判别分析得到最优特征。该过程一方面避免小样本问题,另一方面保留了图像像素之间的结构,因此更有利于分类。4、由于在人脸识别中,样本的维数远远大于样本数,因此小样本问题是子空间算法中普遍存在的问题。为了更好地挖掘人脸的低维流形和解决小样本问题,提出了零空间保局判别本征脸和适合于小样本情况下的监督化拉普拉斯判别分析。前者充分考虑了个体类内差别和个体类间差别,结合流形学习思想并借助于判别准则使得投影后个体类内之间保持一定的相似性而个体类间之间的区分度有所增加。通过在个体类内保局差异散度矩阵的零空间中求解最优特征向量,避免了矩阵的奇异性问题,解决了小样本问题。而监督化拉普拉斯判别分析的目标是最小化类内拉普拉斯散度的同时最大化类间拉普拉斯散度,为处理小样本问题,算法先丢弃总体拉普拉斯散度矩阵的零空间,并将类内拉普拉斯散度矩阵投影到总体拉普拉斯散度矩阵的主空间中,然后在该空间中进行特征问题的求解。这样算法只在一个较小矩阵上进行操作,减小了计算量：更为重要的是避免了小样本问题,而且没有信息损失,因此算法提高了效率和识别率。最后,对论文工作进行总结,并提出了下一步的研究方向。(本文来源于《哈尔滨工程大学》期刊2011-04-01）
周长录[3]（2009）在《基于保局子空间的人脸识别研究》一文中研究指出人脸识别是模式识别研究领域中一个较为热的研究方向。在实际应用中,人脸往往看成高维数据,因此会遇到维数灾难问题,此时需要通过数据降维进行特征提取,即将原始数据对应的高维空间数据映射到低维空间中,并尽可能地保持数据间的判别信息,以利于分类问题。在众多的算法中,基于子空间的算法由于计算量小,并且识别率较高,因此受到许多研究者的关注。目前较为流行的子空间算法有主成分分析PCA,线性判别分析LDA,局部保留投影LPP,叁种算法所对应的人脸识别分别称作特征脸、fisher脸和拉普拉斯脸。PCA是一种非监督学习,没有考虑到类内、类间的差异,因此不利于分类。基于LDA的人脸识别算法,它是一种监督型学习,投影之后使得样本在所生成的子空间中类内散度最小,同时类间散度最大,因此可以实现较好的分类问题,从而比PCA更适用于识别问题。但它在实际运用的时候会遇到小样本问题,并且它要求所处理的数据是高斯分布,在现实中这些条件未必满足。论文首先对人脸识别进行简单介绍和概述,将众多人脸识别分为几类:基于几何特征的人脸识别,基于子空间的人脸识别,基于弹性图匹配的人脸识别,基于神经网络的人脸识别,基于模板匹配的人脸识别方法,基于隐马尔可夫的人脸识别方法和基于贝叶斯网路的人脸识别算法其次,论文对目前比较流行的降维算法进行了介绍,主要从叁方面出发:1)线性化算法、比如PCA和LDA,2)非线性化算法,主要是流形学习算法和基于核技巧的算法,3)流形学习的线性化版本,比如LPP。最后,在这些基础上,学习和研究了基于路径相似度的判别保局算法和基于核判别保局最大化边界算法。基于路径相似度的判别保局算法不仅考虑了样本的类别信息,而且采用一种鲁棒的表示近邻点权值的方法,使得算法既适用于分类问题,同时又在一定程度上抗噪。而基于核判别保局最大化边界算法考虑样本的局部信息,同时考虑样本的类别信息,运用核技巧将算法非线性化。通过实验仿真验证了算法的正确性和有效性,实验表明比经典算法PCA、LDA和LPP有更高的识别率。(本文来源于《吉林大学》期刊2009-11-01）
杨利平[4]（2008）在《保局子空间人脸特征提取及识别方法研究》一文中研究指出随着国防安全和社会公共安全需求的不断增长,人脸识别的研究受到了极大的重视。目前,人脸识别的重点是对算法有效性的研究。尽管主成分分析(PCA)和线性鉴别分析(LDA)等子空间方法在人脸识别中已经取得了极大的成功,但是研究表明人脸样本很可能是分布在一个嵌入到高维图像空间的低维非线性子流形上的。在这种情况下,PCA和LDA等在样本分布服从欧几里德几何结构时有效的子空间方法可能会由于无法准确地描述样本的流形结构而失效。相对PCA和LDA,保局投影(LPP)作为拉普拉斯特征映射的一种线性逼近可以较好的反映样本的流形结构,已经被广泛的应用到图像检索和图像修复中。然而,作为一种无监督的子空间学习方法,LPP的分类能力较弱,并不是最有效的人脸识别方法。另外,人脸识别是典型的高维小样本问题,在小的样本集上训练得到的子空间分类器往往是有偏的且分类结果不稳定。本论文以保局投影为基础,结合子空间鉴别分析和随机子空间方法、Bagging算法等分类器融合方法对保局子空间人脸特征提取及识别方法进行了深入的研究。论文主要进行了以下4个方面的创新性研究工作:①结合随机子空间方法和保局投影算法,提出了随机采样子空间保局投影人脸识别算法(RSSLPP)。该算法按照一定的策略对由主成分分析得到的主元子空间进行多次随机采样并在获得的多个随机采样子空间中分别进行保局投影,然后融合多个随机采样子空间中保局投影算法的识别结果,有效地解决了单一的无监督保局投影算法分类能力弱的缺点。②为了提取比LPP更具鉴别能力的特征,首次提出了零空间鉴别保局投影人脸识别算法(NDLPP)。该算法通过在保局类内散布的零空间内最大化修改了的Fisher准则函数提取人脸鉴别特征,有效地利用了保局类内散布零空间内最具鉴别能力的信息。③为了克服NDLPP算法保局类内散布零空间内的鉴别信息由于样本数增多而逐步减少的问题,结合Bagging分类器融合算法和零空间保局鉴别分析(NLPDA)方法,提出了零空间保局鉴别分析的Bagging融合方法(BagNLPDA)。该方法利用Bagging算法的自举技术对训练样本进行重采样,形成了一组新的训练样本子集,然后在每个子集上分别进行零空间保局鉴别分析。BagNLPDA方法既避免了NDLPP算法保局类内散布零空间内的鉴别信息由于样本数增多而逐步减少的问题,又结合了Bagging分类器融合的特点,充分的多次使用了保局类内散布零空间内的鉴别信息,可以有效地克服在人脸样本集上训练得到的单一零空间保局鉴别分类器有偏且变化较大的缺点,增强分类结果的稳定性。④为了解决DLPP算法和NDLPP算法均无法有效利用保局子空间内的所有鉴别信息的问题,提出了完备鉴别保局投影人脸识别算法(CDLPP)。该算法分别提取了保局类内散布主元空间和零空间内的规则鉴别特征和不规则鉴别特征,通过特征层融合的手段形成新的鉴别特征,使保局子空间内的所有鉴别信息得以充分利用。通过在ORL、FERET、Yale、PIE等国际通用的人脸图像库上的大量人脸识别实验证实:本论文中提出的4种保局子空间人脸识别算法的识别性能均优于Eigenfaces、Fisherfaces、保局投影以及鉴别保局投影等常用的子空间分析方法,是几种有效的保局子空间人脸识别算法。此外,通过对4种算法的横向比较发现,Bagging、随机子空间等分类器融合算法可以有效地提高保局子空间人脸识别的精度,增强算法的稳定性。(本文来源于《重庆大学》期刊2008-10-01）
保局子空间论文开题报告
（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：
特征提取是模式识别的一个基本问题,提取有效特征对人脸识别起着关键的作用。在众多的特征提取算法中,基于子空间算法由于计算量小、识别性能较好而成为人脸识别中的主流算法。主成分分析和线性判别分析算法开创了子空间算法的研究,并且取得了很大的成功。但是有研究表明人脸图像其实是存在于一个非线性流形结构中,因此基于欧氏空间的主成分分析和线性判别分析无法揭示人脸图像的非线性流形结构,即所提取的特征对分类并不是最优的。局部保持投影算法是流形学习算法拉普拉斯特征映射的线性逼近,因此它能挖掘人脸图像的流形结构。本文基于局部保持投影算法,从统计学、非线性特征提取、二维图像特征提取和小样本问题等角度出发,对保局算法进行了深入研究。具体的研究内容包括：1、针对保局算法是一种非监督学习算法,即未充分利用样本的类别信息,并且提取的特征存在冗余等问题,提出了无关性判别保局算法。原始的保局算法只考虑了数据的局部性,没有考虑样本的类别信息,也没有考虑所提特征之间是否存在相关性。现有的改进算法虽然考虑了类别信息,但是大部分没有考虑样本的类间信息。无关性判别保局算法在继承保局算法的保持局部性的同时,考虑了样本的类别信息,并且外加无关性条件,使得所提特征之间相互无关,这样降低了数据冗余,这两方面保证了所提取的特征具有更强的判别能力。2、针对保局算法本质上是一种线性算法,提出了核正交判别保局差异最大分析。保局算法只考虑了样本的局部性,未考虑样本之间的差异性,并且算法在本质上是一种线性算法,所得到的特征也未正交。为了解决这些问题,所提出的算法先通过核函数将原始样本映射到高维空间中,使得样本在高维空间中线性可分,然后在该空间中分别考虑样本的局部性和差异性,外加正交性条件的限制,使得所提取的特征能处理非线性样本,而正交性条件更有利于样本重构,因此提高了算法的识别性能。3、针对保局算法是基于一维向量的,即需要先把二维图像矩阵转换为一维向量,然后进行特征提取,提出了基于酉子空间的二维判别保局算法。保局算法在把图像矩阵转换为一维向量的过程中,破坏了图像的像素结构,并且会产生小样本问题,不利于模式分类。所提算法在保局算法的基础上,增加了类别信息,并且直接利用图像矩阵分别在水平方向和垂直方向上求解转换矩阵,然后在酉空间内构建一个复矩阵,最后运用线性判别分析得到最优特征。该过程一方面避免小样本问题,另一方面保留了图像像素之间的结构,因此更有利于分类。4、由于在人脸识别中,样本的维数远远大于样本数,因此小样本问题是子空间算法中普遍存在的问题。为了更好地挖掘人脸的低维流形和解决小样本问题,提出了零空间保局判别本征脸和适合于小样本情况下的监督化拉普拉斯判别分析。前者充分考虑了个体类内差别和个体类间差别,结合流形学习思想并借助于判别准则使得投影后个体类内之间保持一定的相似性而个体类间之间的区分度有所增加。通过在个体类内保局差异散度矩阵的零空间中求解最优特征向量,避免了矩阵的奇异性问题,解决了小样本问题。而监督化拉普拉斯判别分析的目标是最小化类内拉普拉斯散度的同时最大化类间拉普拉斯散度,为处理小样本问题,算法先丢弃总体拉普拉斯散度矩阵的零空间,并将类内拉普拉斯散度矩阵投影到总体拉普拉斯散度矩阵的主空间中,然后在该空间中进行特征问题的求解。这样算法只在一个较小矩阵上进行操作,减小了计算量：更为重要的是避免了小样本问题,而且没有信息损失,因此算法提高了效率和识别率。最后,对论文工作进行总结,并提出了下一步的研究方向。
（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。
保局子空间论文参考文献
[1].辜小花,李太福,杨利平,易军,周伟.基于监督保局子空间虚假近邻准则的原始特征选择[J].光学精密工程.2014
[2].楼宋江.基于保局子空间分析的人脸特征提取算法研究[D].哈尔滨工程大学.2011
[3].周长录.基于保局子空间的人脸识别研究[D].吉林大学.2009
[4].杨利平.保局子空间人脸特征提取及识别方法研究[D].重庆大学.2008