为提高航天软件测试的效率和质量, 针对同公司航天软件数量少、研制周期长的特点, 提出了一种跨公司航天软件缺陷预测方法。从航天软件背景信息复杂、规模大、功能独立等特征出发, 提出基于静态分类缺陷预测的模型构建思想。引入迁移学习方法, 利用最近邻分类器和数据引力模型, 对训练数据的分布特征进行修正, 提高训练数据与目标数据的相似性; 为提高模型的泛化能力以适应目标数据的多样性, 提出在训练数据中加入少量目标数据用于模型训练。将该方法在实际工程中进行应用, 实验结果表明, 与已有软件缺陷预测方法相比, 该方法在保持较低误报率(不高于0.3)的情况下可有效提高召回率(接近0.6), 整体可信度得到有效增强(G-measure超过0.6), 方法稳定度高, 泛化能力较强; 本方法在实际工程中对测试规模影响可控, 测试效率得到提高。

针对单样本环境下传统人脸识别算法识别效果不佳的问题，提出一种结合改进中心对称局部二值模式和位平面分解的单样本人脸识别算法(ICSDBP)。采用改进中心对称局部二值模式算子提取人脸的特征信息得到两幅不同半径的纹理特征图像，将每幅纹理特征图像分解为4幅位平面图像，最后将8幅特征图像串联融合，使用最近邻分类器进行分类识别。在AR、CAS-PEAL和Extend Yale B人脸数据库上的仿真结果表明，该算法具有较高的识别率和较快的识别速度，对光照和表情等变化具有较好的稳健性。

提出了一种基于加权空-谱距离(WSSD)的相似性度量方法, 并将其应用到最近邻分类器(KNN)中, 导出了一种新的高光谱图像分类算法。 该算法利用高光谱图像的物理特性, 通过引入空间窗口和光谱因子这两个参数来挖掘出图像中的空间信息与光谱信息, 利用空间近邻点对中心像元进行重构。在最大限度减少图像冗余信息的基础上, 增大了同类像元间的相似性以及异类像元间的差异性, 获得了更为有效的鉴别特征, 从而更好地实现了数据间的相似性度量。基于Indian Pines和PaviaU高光谱数据集进行了实验, 结果表明: 将提出的WSSD-KNN算法应用于高光谱图像分类时, 其分类精度高于其他算法, 总体分类精度分别达到了91.72%和96.56%。由于算法较好地融合了图像中的空间-光谱信息, 提取出了更为有效的鉴别特征, 故不仅有效地改善了高光谱数据的地物分类精度, 而且可在训练样本较少时, 保持较高的识别率。

针对局部线性嵌入(LLE)算法易受偏转角度和近邻选取的影响，提出了一种双层LLE(DLLE)的人耳图像识别方法，并结合Gabor小波和DLLE提出了GDLLE。DLLE首先计算各样本与每类样本中心的欧氏距离，再把欧氏距离最小的K类所有样本作为LLE的近邻，提取出鉴别特征，最后由最近近邻分类器对鉴别特征进行分类。在USTB3人耳图像库上的实验结果表明，本文提出DLLE能够减小偏转角度和近邻对LLE算法的影响，结合Gabor小波后进一步改善了算法的识别率。

传统的局部线性嵌入(LLE)算法需用欧氏距离度量近邻, 但欧氏距离只表示两点间的直线距离, 在高维空间中不一定能反映数据间的真实空间分布, 导致近邻选取不稳定。针对此问题, 本文提出了相关近邻(CN)LLE(CN-LLE)和相关最近邻分类(CNN)算法。提出的算法首先利用相关系数度量数据间的近邻, 实现更准确的局部重构, 提取鉴别特征; 然后用CNN对低维嵌入特征进行分类。在KSC和Indian Pine高光谱遥感数据集上的地物分类实验结果表明: 本文提出的CN-LLE+CNN算法比LLE、LLE+CNN和CN-LLE等算法的总分类精度提升了2.11%~11.55%, Kappa系数提升了0.026~0.143。由于该算法增加了近邻为同类的概率, 便于更有效地提取同类数据的鉴别特征, 且有更好的稳定性, 故能更有效地实现高光谱遥感数据的地物分类。

提出了一种将傅里叶变换和奇异值分解相结合的人脸自动识别方法.首先对人脸图像进行傅里叶变换,得到其具有位移不变特性的振幅谱表征.其次,从所有训练图像样本的振幅谱表征中给定标准脸并对其进行奇异值分解,求出标准特征矩阵,再将人脸的振幅谱表征投影到标准特征矩阵后得到的投影系数作为该人脸的模式特征.然后,对经典的最近邻分类器算法进行了改进,并采用模式特征之间的欧式距离作为相似性度量,从而完成对未知人脸的识别.采用ORL (Olivetti Research Laboratory)人脸库对本文提出的人脸识别方法进行验证,获得了100.00%的识别率.实验结果表明,本方法优于现有的基于奇异值分解的人脸识别方法,且对表情、姿态变换等具有一定的鲁棒性.