实现快速、 精确地鉴别玉米单倍体籽粒对玉米单倍体育种技术十分重要。 近红外光谱分析技术可在线分析、 监测, 且无损、 分析速度快、 操作简便、 测试成本低, 对实现自动化的大规模鉴定并分拣玉米单倍体非常有帮助。 通过美国JDSU的近红外光谱仪进行玉米近红外光谱的数据采集, 交叉采集玉米单倍体、 多倍体数据。 数据处理时, 将数据分为训练集和测试集两部分。 依次对数据做预处理以消除噪声影响, 做核变换将其投射到更高维度空间中增强可分性并进行特征提取, 最后建立分类模型鉴别分析。 分别统计采用不同的特征提取算法并建立模型鉴别测试的正确识别率。 实验结果表明, 采用核局部保持投影(KLPP)的特征提取算法的正确识别率更高、 稳定性更好, 在两组测试集上的正确识别率的均值分别达到95.71%和96.43%。 通过分析可以得出, 玉米种子的近红外光谱数据经过非线性变换(为高斯核变换)投影到更高维度的空间后, 表现出更易于分类的分布特点, 保持数据的局部特性也更利于后续的分类。 这为玉米单倍体鉴定进一步研究提供了新的方向。

三维点云配准是三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的三维点云配准算法。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, 对特征向量矩阵前三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。

针对传统的局部保持投影算法(LPP)直接使用数据的原始空间信息导致选取近邻不准确,以及LPP算法投影时忽略数据类别信息的问题,提出一种基于自适应近邻局部保持投影的人脸识别方法。该方法在特征提取时利用可变的相似度、近邻信息以及数据类别信息构建目标函数,使得在投影子空间中同类样本尽量紧凑,异类样本尽量远离。通过最小化目标函数自适应优化邻接矩阵与投影矩阵,用优化后的投影矩阵对高维数据进行降维,采用降维后的数据进行人脸分类识别。将该方法应用于扩展Yale人脸数据库、CMU-PIE人脸数据库、MSRA人脸数据库和CAS-PEAL人脸数据库中进行人脸识别,实验结果验证了其有效性。

为了挖掘高光谱数据的光谱局部特征, 从高光谱遥感数据内在的非线性结构出发, 提出了一种基于光谱梯度角的高光谱影像流形学习降维方法。采用局部化流形学习算法局部保持投影(LPP)对高光谱遥感数据进行非线性降维, 对距离度量进行改进, 将能够更好刻画高光谱影像光谱局部特征的光谱梯度角相似性度量应用于LPP方法, 并用真实高光谱图像进行降维实验, 取得了优于LPP方法和采用光谱角的LPP方法的结果。结果表明, 在光谱规范化特征值方面, 所提方法优于LPP方法和采用光谱角的LPP方法; 在信息量的保持方面, 具有更好的局部细节信息保持量。采用光谱梯度角的流形学习方法用于高光谱影像降维能取得较好的降维效果。

鉴于人为选取近邻大小和权重矩阵对局部保持投影 (LPP)算法的高维人脸图像特征提取有较大影响，结合稀疏表示原理提出了一种稀疏相似保持 (SSP)算法。 SSP算法利用稀疏表示，在全局结构中自适应地选取数据间的相似关系，构建非负稀疏关系图，在低维空间中保持高维原始数据的内在稀疏特性不变，能有效地提取出低维鉴别特征。在 Extend Yale B、CMU PIE人脸数据库上进行实验，其识别率分别达到了 87.35%、90.09%，验证了算法的有效性。

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。

基于局部保持投影发展出的一系列特征提取算法，在应用于人脸识别等高维小样本问题时，均需先采用PCA算法对高维样本降维后才能应用，故此以无监督鉴别分析算法为理论基础，提出了一种直接无监督正交局部保持算法。该算法利用拉普拉斯矩阵的性质进行相应的矩阵分解，可直接从高维样本的原始空间中提取投影矩阵，因而无需先采用PCA 降维处理，且解决了无监督鉴别分析算法的小样本问题。为了进一步提高算法的识别性能，给出了基于QR 分解的正交投影矩阵的求解方法。人脸库和掌纹库上的实验结果表明了所提算法的有效性。

针对高维数据分类中鉴别特征降维方法的小样本问题和有效维度丢失问题，结合最新提出的片对齐框架和保局投影提出了样本保局鉴别分析方法。该方法通过分别构造每个样本的类内近邻图和类外近邻图，并将所有样本的类内近邻图和类外近邻图结合起来，形成了所有样本的类内近邻和类外近邻关系。然后，在使所有样本的类内近邻尽可能地聚集在一起的同时使类外近邻尽可能地分开，得到从高维输入空间到低维特征空间的最优映射关系。该方法有效避免了高维数据分类的小样本问题且扩展了鉴别分析的低维特征空间的有效维度。在ORL、FERET和PIE等人脸库上的高维数据分类实验证实，样本保局鉴别分析方法显著优于经典的鉴别特征降维方法。与基于片对齐框架提出的鉴别局部对齐方法相比，样本保局鉴别分析方法在FERET库上的分类识别精度提高了4.5%以上。

为了保持掌纹空间的局部结构,运用局部保持投影(LPP)方法进行掌纹识别。在小样本图像识别中,特征方程矩阵存在奇异性。传统的解决方法是运用主元分析(PCA)获得原样本的低维特征子空间,在该空间中运用LPP进行特征提取。由于PCA和LPP的投影标准本质上是不同的,PCA降维时丢失许多重要的判别信息。为了解决这个问题,提出运用三级小波变换、图像下抽样、图像分块求平均值三种方法降低掌纹空间的维数,在低维图像上应用LPP提取局部特征,计算特征矢量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,该算法的识别性能均优于PCA和PCA+LPP。特征提取和匹配总时间小于0.1 s,具有快速、有效、易于实现等优点。