1 安徽工程大学 计算机与信息学院, 安徽 芜湖 241000
2 东南大学 信息科学与工程学院, 南京 210096
3 南京理工大学 高维信息智能感知与系统教育部重点实验室, 南京 210094
利用随机矩阵相乘是最近提出的一种求解零空间线性鉴别分析的算法, 但是此算法需要对一个n×n 的矩阵进行特征值分解(n 指的是训练样本数), 使得其算法复杂度依然较高。为了进一步提高零空间线性鉴别分析算法的求解速度, 本文提出了一种新的利用随机矩阵相乘的求解零空间线性鉴别分析的快速算法。本文的算法不需要对n×n 的矩阵进行特征值分解, 使得其算法复杂度比现有的零空间线性鉴别分析求解算法要低得多。理论分析和在人脸数据库上的实验表明, 本文算法的计算速度远比现有的零空间线性鉴别分析求解算法要快, 但是其识别率与现有的零空间线性鉴别分析求解算法相同。
特征提取 零空间线性鉴别分析 特征值分解 Cholesky 分解 feature extraction null space based linear discriminant analysis eigenvalue decomposition Cholesky decomposition
结合遗传算法与线性鉴别分析(LDA)提出了一种玉米品种的快速鉴别方法。 该方法是一种基于近红外光谱的新方法, 通过采集玉米种子(实验共37个种类)的近红外光谱数据, 使用遗传算法进行特征光谱波段的选择, 使用线性鉴别分析的方法提取光谱特征并分类。 结果表明, 遗传算法能有效地剔除光谱噪声波段, 并提高LDA的泛化能力。 同时, 为简化运算, 剔除了大量冗余数据, 结合遗传算法选择的特征谱区, 使参与鉴别的数据维数从2 075降到了233。 对测试集1的300个样本的平均正确识别率与平均正确拒识率均达到99.30%, 其中73.33%的玉米品种的正确识别率达到了100%; 对测试集2(均为未参加训练品种的样本)的175个样本的平均正确拒识率达到99.65%。 与常用的PCA等方法相比, 运算时间更短, 正确率更高。
近红外光谱 遗传算法 线性鉴别分析 主成分分析 Near-infrared spectroscopy Genetic algorithm Linear discriminant analysis Principal component analysis
1 西安理工大学 计算机科学与工程学院,西安 710048
2 四川大学 图像图形研究所,成都 610064
指出了线性鉴别分析及其几种改进方法在处理小样本人脸识别问题时存在的不足,提出了一种基于两空间线性鉴别分析的小样本人脸识别方法。首先将样本投影到总体散布矩阵的非零空间中进行分析;进而将类内散布矩阵分成零空间和非零空间进行鉴别向量确定和鉴别特征提取,最后将得到的两种鉴别特征融合,从而使用最近邻法进行分类。实验结果表明,在进行小样本的人脸识别时,该方法的识别效果优于其他线性方法。
人脸识别 特征提取 线性鉴别分析 小样本问题 散布矩阵 face recognition feature extraction linear discriminant analysis small sample size problem scatter matrix