一、具有统计不相关性的最佳鉴别特征空间的维数定理(论文文献综述)
崔法毅[1](2012)在《改进的Fisher鉴别分析两步算法研究及其在人脸识别中的应用》文中进行了进一步梳理随着计算机技术、图像处理技术的飞速发展,人脸识别(Face Recognition)技术已成为世界和平、国家安全、社会稳定等层面备受关注的研究热点,并逐步形成一门重要的生物特征识别技术。特别是20世纪90年代以来,以主成分分析(PrincipalComponent Analysis, PCA)和线性鉴别分析(Linear Discriminant Analysis, LDA)为代表的子空间方法的进一步研究,有力地促进了人脸识别技术的发展,使得人脸识别技术在防恐、反恐、刑事侦查、机要管理等方面得以广泛应用,并成为刑侦领域不可或缺的重要手段和基准方法。本文通过研究主成分分析与Fisher鉴别分析这两类子空间方法的现有算法与关键问题,寻找两者之间的切合点、研究新算法,旨在提取出不失表征性同时具有较强鉴别力的人脸识别特征。主要工作如下:围绕人脸图像样本镜像对称特性在主成分分析中的应用展开研究,鉴于人脸呈现出相对严格的关于正面中心垂直线的镜像对称特性,利用镜像图像作为一类人脸虚拟样本,扩大了训练样本容量,克服了人脸姿态、视角、旋转等因素的影响。在深入分析现有的对称主成分分析算法的基础上,针对核对称主成分分析(Kernel basedSymmetrical PCA, KSPCA)算法存在的核函数选取范围类型局限、缺乏特定样本具体分析能力等问题进行研究与改进,提出了基于插值核方法的广义核对称主成分分析(Generalized KSPCA, GKSPCA)算法。研究了Fisher鉴别分析中鉴别准则的推广、鉴别向量集的正交性、统计不相关性等关键问题,针对现有的两步算法存在鉴别向量类型与个数受限、鉴别特征维数受限及统计相关性的问题,基于在表征空间中提取鉴别特征的算法思想,提出了两种改进的核Fisher鉴别分析两步算法,即WKPCA+LDA与GKSPCA+SLDA。其中,WKPCA即白化的核主成分分析(Whitened Kernel based PCA),SLDA即基于Fisher对称零空间鉴别准则的LDA。WKPCA+LDA中,提出了NLUSODVs(Non-LinearUncorrelated Space based Optimal Discriminant Vectors)及其一般化求解方法,实现了在非线性统计不相关约束空间(WKPCA子空间)中求解Fisher最佳鉴别向量集的极值问题,在不失一般性的前提下,尽可能地提取出鉴别力更强且更有利于人脸识别的鉴别特征。GKSPCA+SLDA中,推广应用了两级对称准则(镜像奇偶对称表征准则与Fisher对称零空间鉴别准则),旨在增加鉴别向量的类型与个数,同时,增加鉴别特征的维数,使人脸识别特征的表征力与鉴别力同时实现趋大化。人脸识别实验中,分析了鉴别向量的求解方法及特征选择策略对识别性能的影响,比较了两种改进算法相对于其它传统算法的优势。提出了图像增强新算法,结合Fisher鉴别分析改进算法使人脸识别更加准确快捷。针对Fisher鉴别分析中的多种双向二维线性算法,包括双向两步算法及双向组合算法,通过人脸识别实验展开讨论,分析了双向投影矩阵的求解方法及特征选择策略对识别性能的影响,同时,从实验中验证了规律性。
卢桂馥,林忠,金忠[2](2011)在《具有统计不相关性的核化图嵌入算法》文中认为提出统计不相关的核化图嵌入算法,为求解各种统计不相关的核化降维算法提供了一种统一方法。与已有核化降维算法相比,新的特征提取方法降低甚至消除了最佳鉴别矢量间的统计相关性,提高了识别率。通过在ORL,YALE和FERET人脸库上的实验结果表明,提出的具有统计不相关的核化图嵌入算法在识别率方面好于已有的核算法。另外,揭示了统计不相关的核化图嵌入与已有的核化图嵌入的内在关系。
任世锦,王小林,吕俊怀,张晓光[3](2011)在《基于SSVM的递归统计不相关特征抽取算法》文中认为文章旨在研究数据分布未知的高维、小样本问题的特征抽取算法.基于支持向量机原理和特征统计不相关思想,提出基于散度支持向量机(SSVM)的递归统计不相关特征抽取算法,解决现有算法抽取特征之间存在相关性、算法受到样本分布影响等问题.针对高维小样本问题,使用PCA把SSVM优化问题变换到同构低维空间;给出边界鉴别向量集的递归求取方法,把模式高维特征投影到边界鉴别向量集,实现了统计不相关特征的抽取;分析了算法的收敛性和终止条件.文中使用核方法把线性SSVM推广到非线性SSVM,通过KPCA方法把非线性SSVM优化问题转换到低维空间中的等价优化问题,在低维空间抽取不相关非线性特征.仿真结果证明了文中算法的有效性.
王庆军[4](2011)在《基于流形学习子空间的人脸识别方法研究》文中认为本文以人脸识别为应用背景,对当前流形学习子空间算法存在的问题进行了较深入的研究,如提取有效的图像特征、去除基向量冗余信息、图像矩阵空间结构信息保持、解决小样本问题及非线性可分问题等,提出相应的解决方案。本文的主要工作如下:1).传统的人脸识别算法一般都是基于图像灰度矩阵操作的,而图像灰度矩阵不足以充分描述人脸特征信息,也存在较多的高阶信息冗余。针对上述问题,研究了Log-Gabor小波特征在人脸表征方面的性能。同时以非监督判别映射和局部线性嵌入算法为研究对象,针对原始算法基向量没有任何约束而导致信息重叠的问题,研究了对算法基向量添加约束以去除重叠信息的方法。最后结合流形学习子空间算法和Log-Gabor小波的优点,研究了基于Log-Gabor小波的流形学习子空间的人脸识别算法。2).针对传统人脸识别算法不利于处理人脸等非线性结构的问题,以邻域判别嵌入算法为研究对象,将算法推广至非线性领域,研究了核化的非线性流形学习子空间算法在人脸识别中的应用。由于传统的流形学习子空间算法一般都是通过求解一个不对称特征方程的特征值对应的特征向量进行低维投影,导致特征向量间存在较多的信息冗余。针对该问题,进一步研究了有效去除特征向量冗余信息的方法,研究了对基向量添加正交及不相关约束下的算法框架。3).原始等度规映射算法没有有效利用样本的类别信息,是无监督的人脸识别算法,而且只能处理向量类型的数据,不能保持图像像素间的空间结构信息,且容易造成奇异性的问题。针对该问题,研究了采用样本类别信息来提高等度规映射算法识别精度的解决方法,并研究了有效保留人脸图像矩阵行列相关性的解决方法。4).人脸识别中经常遭遇小样本问题,而传统的解决小样本问题的方法易丢失有效鉴别信息。为解决该问题,以边界Fisher分析算法为研究对象,研究了小样本情况下可行解的构成,研究了小样本情况下最优鉴别矢量集的求解问题。在此理论基础上,将算法发展为非线性算法,进一步研究了核空间小样本情况下求解最优鉴别矢量的算法框架。
宋晓宁[5](2011)在《图像特征抽取的若干新方法研究》文中指出随着网络与通讯技术的飞速发展和人类物理与虚拟活动空间的不断扩展,人们对于信息安全性的要求日益提高,需要进行人的身份识别的场合也越来越多。生物特征识别技术是通过计算机利用人的生理特征或行为特征来判别一个人的身份。人脸识别技术是生物特征识别技术领域中重要的组成部分,它根据人面部影像中的有效信息进行个人身份识别。与其它生物特征识别技术相比,人脸识别具有方便快捷、非接触无侵犯性采集、可交互性等诸多优势,已成为了生物特征识别技术中的一个研究热点,并且具有广阔的应用前景。在过去几十年中,很多学者在模式识别领域中提出了大量的特征抽取方法,比如用来处理线性问题的经典算法线性鉴别分析,以及在支持向量机基础上演变得来的一系列基于核技巧的特征抽取方法,它们被普遍的应用在非线性问题的处理过程中。本文对线性特征和非线性特征的抽取方法做了深入的分析和研究,在特征抽取过程中尽可能多的融入样本的结构信息以保留更多的鉴别信息,同时更关注提出算法的效率和性能。本文的主要工作及创新如下:核策略是基于统计学习理论和支持向量机技术发展起来的,是解决非线性问题的一个有效的手段。本文提出了基于支持向量机(SVM)和决策树(DT)的几种新分类器算法。首先对传统支持向量机和模糊支持向量机(FSVM)处理多类问题的算法缺陷进行分析,然后在DT-FSVM和最近邻分类器的基础上,提出基于样本区域分析(SRA)的混合分类器算法(SRA-DT-FSVM),该算法中样本区域分析的概念被提出。在线性鉴别分析(LDA)的人脸特征空间中,分别对算法FSVM, DT-FSVM, SRA-DT-FSVM以及Binary-DT-SVM进行了全面的性能比较。通过在ORL人脸库上的实验结果表明,提出的新方法是有效的,并且通过引入三叉决策树,我们较大幅度的提高了传统FSVM的分类速度。传统的线性鉴别分析方法在特征提取过程中使用的是2值情况下的判别标准,也就是说:对于给定的一个样本,在特征提取过程中的判别依据是要么这个样本属于某个类,要么不属于某个类,每次执行的均是一个硬分类标准。比如在一些经典的人脸识别算法中,人脸数据的采集往往会受到表情、光照、姿态等各种环境条件的影响。基于对这一思想的考虑,我们在传统的代数特征提取方法之中引入模糊集理论,隐含的将样本的几何结构信息融入到样本的代数特征提取过程之中。在此基础上,我们提出了一种松弛条件下的完全模糊线性鉴别分析策略,通过对隶属度函数中的归一化条件进行松弛化处理,重新设计模糊隶属度矩阵的计算公式,从而得到更加有效的模糊样本特征向量集。该方法步骤同传统模糊线性鉴别分析方法相比有效解决了离群样本的模糊特征抽取问题,并且充分考虑了每个样本所包含的隶属度信息。与此同时,为了避免分类器出现不可分区域现象,我们同时采用提出的DT-FSVM算法作为模糊分类器,由此建立了一个完整的模糊线性鉴别分析策略,即分别提出一种模糊特征抽取方法和模糊分类器,并将两者有效结合,形成一个完整的模糊线性鉴别分析算法。小样本问题是在利用Fisher线性鉴别准则做特征提取过程中经常会遇到的,本文为解决小样本问题提出了一种基于对称零空间准则的LDA特征抽取算法(OSNS),该算法通过重构Fisher鉴别准则,在两个具有对称性质的散布矩阵的零空间及其互补空间内利用投影数据的最大可分性,同时获得了更多的有助于分类的鉴别信息。OSNS算法解决了传统Fisher鉴别分析方法只计算一个散布矩阵零特征空间的缺陷,加强了类内和类间两个散布矩阵在重构鉴别准则下所对应的特征空间之间的内在联系,同时解决了传统Fisher线性变换方法中的最终特征维数受类别数限制的问题。在选取的几个标准人脸数据库上的实验结果验证了该算法的有效性。序贯最小优化(SMO)算法是一种SVMs训练算法,该算法将一个大型QP问题分解为一系列最小规模的QP子问题,从而避免了多样本情形下的数值解不稳定及耗时问题,同时也不需要大的矩阵存储空间。本文在模糊支持向量机以及决策树(DT-FSVM)的基础上,提出模糊序贯最小优化算法(DT-FSMO)并对它进行了分析和研究,在对人脸图像进行独立成分分析(ICA)后,用该算法进行多类人脸识别,通过在ORL人脸库上的实验结果表明,SMO的分类性能与输入样本的稀疏程度有密切关系,表明DT-FSMO方法在低特征向量维数的前提下对提高图像识别的性能是有效的。模式分类在面临非线性高维数据下的小样本问题时通常十分困难。本文提出一种核的四重子空间学习(KFS)方法。首先通过构造基于类内和类间散布矩阵的混合鉴别准则,获得分布在各子空间中降维样本的最优鉴别信息。其次通过向量点积,利用核鉴别分析方法(KFD)对非线性鉴别信息进行有效抽取,在此基础上,我们提出了基于核的四重子空间鉴别分析算法,从而有效解决了非线性小样本问题的特征抽取。在ORL和Yale人脸库上的实验结果验证了该方法的有效性。
曹苏群[6](2009)在《基于模糊Fisher准则的聚类与特征降维研究》文中研究指明聚类分析与特征降维是模式识别领域两个重要的研究课题。聚类分析作为一种重要的非监督模式识别工具,可用于多种领域,如数据挖掘、生物学、计算机视觉、文档分析等。它旨在将最相似的数据聚为一类,而将最不相似的数据聚为不同的类。特征降维包括特征抽取和特征选择,在模式识别中起着非常重要的作用,它有助于去除多余特征,降低原始数据集的维数。本文针对模糊聚类与特征降维中的几个问题进行了研究,包括基于模糊Fisher准则的半模糊聚类算法、无监督特征抽取以及不平衡数据集特征选择等。本文的创造性研究成果主要有:1将Fisher线性判别扩展为模糊Fisher线性判别,并基于此提出了一种新的聚类算法,称为基于模糊Fisher准则的半模糊聚类算法。该算法将鉴别矢量引入迭代更新方程,因此其异于常见的FCM聚类方程形式。严格地讲,该算法不仅仅基于模糊类内散布矩阵,还基于模糊类间散布矩阵,不同于大多数类似于FCM的聚类只基于模糊类内散布矩阵,因此,从以模糊Fisher准则作为聚类目标函数这个意义上说,FBSC可以视为一个新的模糊聚类算法。实际上,该研究也拓展了Fisher线性判别的应用;2提出一种将最佳鉴别平面特征抽取技术扩展到无监督模式的方法,其基本思想是通过最优化定义的模糊Fisher准则函数求得无监督模式下的第一个最佳鉴别矢量以及模糊散布矩阵。基于此,求得最大化模糊Fisher准则函数前提下满足正交、共轭正交或者既正交又共轭正交的第二个鉴别矢量,由这两个鉴别矢量分别构成无监督最佳鉴别平面、无监督统计不相关最佳鉴别平面或改进的无监督统计不相关最佳鉴别平面;3提出一种将最佳鉴别矢量集扩展到无监督模式下的方法,其基本思想是通过定义的模糊Fisher准则函数将Fisher线性判别扩展成一种半模糊聚类算法,通过该算法求得最佳鉴别矢量和模糊散布矩阵,进而构造出最佳鉴别矢量集。实验结果表明,尽管该方法无法优于传统的有监督最佳鉴别矢量集技术,但却具有与同属无监督特征抽取的主成分分析算法可比的性能;4提出了一种针对不平衡数据的基于后验概率的分类器独立的特征选择算法。该算法首先引入基于Parzen-window方法估算的不平衡因子,并以Tomek Links中点为初始值进行迭代,找出满足后验概率相等的判别边界点,通过对这些点法向量进行投影计算得到反映各特征重要性的权值。实验表明,对于不平衡数据,该算法在不降低分类器总体性能地基础上,不仅可以有效降低维度,节省计算开销,而且能够避免常规特征选择算法用于不平衡数据时忽视小类的缺点。
刘粉香[7](2009)在《线性及非线性特征提取人脸识别方法的研究》文中指出本文研究了人脸识别中的特征提取方法,主要关注线性子空间方法和以流形为代表的非线性特征提取方法。在深入分析现有理论和相关算法的基础上,提出了一些改进的特征提取算法并应用于人脸识别。首先研究了基于线性子空间的特征提取方法,即无监督的线性特征提取方法:主成份分析(PCA)、独立成份分析(ICA)和有监督的特征提取方法:Fisher判别分析(LDA)、最大间距准则(MMC)。通过在不同人脸库上进行的仿真实验得出了一些有意义的结论。其次深入分析了以流形学习为主的非线性特征提取方法。研究了当前具有代表性的流形学习及其特征提取算法,等距映射(Isomap)、局部线性嵌入(LLE)、拉普拉斯特征映射(LE)、局部保持映射(LPP)及无监督鉴别投影映射(UDP),通过仿真试验揭示出基于流形的特征提取方法在人脸识别问题上的性能表现。最后基于UDP特征提取方法的研究提出了改进算法:基于正交化的UDP算法和具有统计不相关的UDP算法。分析了所提出的两个改进算法的理论基础和算法细节,通过在不同人脸库上的仿真实验验证了所提出改进算法在一定程度上优于已有的UDP算法。
林玉娥[8](2009)在《特征提取方法研究及其在人脸识别中的应用》文中提出人脸识别是一项极具发展潜力的生物特征识别技术,在信息安全,公共安全,金融等领域具有广阔的应用前景。在人脸识别研究领域中,特征提取是解决该问题的一个关键技术。在过去几十年中,学者们提出了许多相关的特征提取方法,如线性鉴别分析、主成分分析和保局投影等线性特征提取方法,以及在支持向量机的基础上演变而来的基于核函数的非线性特征提取方法等等。因此,本论文以特征提取方法为研究目标,以人脸识别为应用背景,对线性特征提取方法和非线性特征提取方法进行了深入的研究,所提出的改进方法不但提高了计算效率和识别性能,而且能够有效地解决小样本问题。具体的研究内容包括:(1)不相关鉴别分析方法是一种有效的特征提取方法,但是将其应用到人脸识别中将遇到所谓的小样本问题,而且由于采用迭代求解方式,算法运算速度缓慢。基于图像矩阵模型的特征提取方法可有效地解决小样本问题,故此提出了一种基于图像矩阵模型的二维不相关鉴别矢量集方法,该方法由于采用了图像矩阵模型,避免了小样本问题,通过对类内散布矩阵的白化变换,可以非迭代的求得二维不相关鉴别矢量集,不但求解速度快且数值解稳定;(2)对基于图像向量模型的不相关鉴别分析方法进行了深入的研究,以不相关空间方法为理论基础,提出了一种改进的不相关空间方法,其思想是将原始数据空间降到一个低维的子空间,从而避免了总体散布矩阵奇异;另外根据散布矩阵的对称性,引入了一种快速的矩阵分解方法,进一步提高了求解不相关鉴别矢量集的速度。该方法不但在理论上有效地解决了小样本问题,同时具有较快的计算速度;(3)基于核映射的方法是一种广泛使用的非线性方法。已有的实验结果表明:基于核映射的特征提取方法可有效提高原线性方法的识别性能。正交鉴别保局投影、鉴别通用矢量集和不相关空间方法是三种具有较好识别性能的特征提取方法,但它们都是线性方法,故此针对三种线性方法进行了研究,分别提出了其相应的非线性方法,即核正交鉴别保局投影、核鉴别通用矢量集和核不相关空间方法。三种核特征提取方法通过巧妙的变换,使其在实现过程中转化成样本的内积形式,然后用核函数替换内积计算即可完成非线性特征的提取,不但降低了算法的计算复杂性,同时也提高了原相应线性特征提取方法的识别性能;(4)针对核特征提取方法解决高维小样本问题存在的缺点,提出了一种基于压缩变换的核特征提取优化模型。该模型的求解思想是首先对高维的训练样本根据Fisher准则进行降维处理,然后再将降维后的训练样本按核特征提取方法进行非线性特征提取。优化后的方法在保证原方法的识别性能的同时,将有效地节省算法的计算量与存储开销,增强算法的实用性。
李勇智[9](2009)在《图像特征提取方法及其在人脸识别中的应用》文中认为特征抽取是模式识别中最基本的问题之一。无论是人脸识别还是字符识别,提取有效的鉴别特征是解决问题的关键。本文就有关几种线性和非线性特征提取方法的理论与算法进行了研究,并且所提出的一些特征提取的新算法在人脸识别方面得到了较成功的应用。首先,本文针对非矩阵分解的理论,提出了具有正交性的投影轴的计算方法和具有统计不相关性的投影轴的计算方法。这种处理方法的目的为了减少低维空间中投影轴之间的统计相关性,提高识别率。实验结果表明提出的两种特征提取方法在识别率方面整体上好于原非负矩阵分解特征提取(NMF)方法。针对非负矩阵分解方法在特征提取过程中没有充分利用训练样本的类别标签信息,本文提出一种新的有监督的非负矩阵分解方法,这种方法的特点:一是它充分直接利用训练样本的类别信息,二是在计算上仍然采用与非负矩阵分解方法相同数学公式,这种新特征提取方法被称为组合类别信息的非负矩阵分解(CINMF)方法。其次,针对非线性特征提取问题,基于核技术的理论,本文给出一种监督化的KPCA方法,即组合类别信息的核主成分分析(CIKPCA)。由于核主成分分析(KPCA)是无监督学习方法,在特征提取过程,KPCA中不能充分利用训练样本的类别信息,而CIKPCA则是克服这一弱点。在分类时本文采用基于两种特征融合的分类策略进一步改进CIKPCA方法的识别率。实验结果表明提出的新方法在识别率方面整体上超过常用的核主成分分析(KPCA)方法,在某些人脸数据库上,CIKPCA甚至超过了KLDA。另外,基于(核)最大间距准则,本文提出了一组具有统计不相关性的最优(核)鉴别矢量集的计算方法。新的方法的目的是消除了特征空间上最优(核)鉴别矢量间的统计相关性,提高了特征提取的有效性。最后,基于流形学习的理论,本文提出一种新的无监督的鉴别投影方法,这种新的方法是基于样本的局部和非局部统计量而建立的映射,它的鉴别准则是通过特征矢量的非局部散度与局部散度之间差的最大化来刻画的,准则目的是使得投影后特征矢量的非局部散度最大化,同时也使局部散度最小化。这种方法被称为最大间距鉴别投影(Marginal Discriminant Projection,MDP)。通过在ORL人脸库和AR人脸库上进行实验,比较了MDA、LDA、局部保持投影(LPP)和无监督鉴别投影(UDP)四种方法的识别率。另外,基于流形学习理论,本文提出一种新的针对图像矩阵的维数压缩方法。这种方法是基于样本图像矩阵来构建非局部散度矩阵和局部散度矩阵的,并且通过引入邻接矩阵来刻画高维数据的局部几何结构。准则函数是投影样本的非局部散度与局部散度之商的最大化来刻画的。新的方法是对图像矩阵行和列方向同时进行维数压缩而得到特征矩阵。这种方法被称为基于图像矩阵的双方向无监督鉴别投影((2D)2UDP)。通过在ORL人脸库和AR人脸库上进行实验,结果表明本文提出的新方法在识别率方面整体上好于基于图像矢量PCA、LPP、UDP和(2D)2PCA。
李国栋,李勇智[10](2008)在《一种基于核最大间距准则改进的特征提取方法》文中提出针对非线性特征提取问题,基于核最大间距准则(KMMC),提出一种新的特征提取方法,即一组具有统计不相关性的最优核鉴别矢量集的简单计算方法.与原KMMC特征提取方法相比,新的特征提取方法消除了最优核鉴别矢量间的统计相关性,提高了特征提取的有效性.通过在ORL人脸库和YALE人脸库上进行试验,结果表明提出的特征提取方法在有效性方面整体上好于原KMMC特征提取方法和常用的核主成分分析(KPCA)法.
二、具有统计不相关性的最佳鉴别特征空间的维数定理(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、具有统计不相关性的最佳鉴别特征空间的维数定理(论文提纲范文)
(1)改进的Fisher鉴别分析两步算法研究及其在人脸识别中的应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 人脸识别的研究背景及意义 |
1.2 人脸识别的研究现状 |
1.3 面向人脸识别的子空间方法 |
1.3.1 主成分分析 |
1.3.2 Fisher鉴别分析 |
1.3.3 独立成分分析 |
1.3.4 典型相关分析 |
1.3.5 流形学习 |
1.4 论文的主要内容 |
第2章 样本镜像对称特性在主成分分析中的应用研究 |
2.1 线性主成分分析算法 |
2.1.1 主成分分析 |
2.1.2 二维主成分分析 |
2.1.3 双向二维主成分分析 |
2.2 非线性主成分分析算法 |
2.2.1 核主成分分析 |
2.2.2 二维核主成分分析 |
2.3 样本镜像对称特性在主成分分析中的应用 |
2.3.1 输入空间中的镜像变换与奇偶分解原理 |
2.3.2 对称主成分分析 |
2.3.3 二维对称主成分分析 |
2.3.4 双向二维对称主成分分析 |
2.3.5 核对称主成分分析 |
2.4 针对核对称主成分分析算法不足的研究与改进 |
2.4.1 核函数选取范围的拓展研究 |
2.4.2 基于插值的核函数构造方法 |
2.4.3 插值核方法的提出及其在核函数拓展研究中的应用分析 |
2.4.4 广义核对称主成分分析 |
2.4.5 特征选择策略的推广思想 |
2.5 本章小结 |
第3章 改进的Fisher鉴别分析两步算法研究 |
3.1 Fisher鉴别准则的研究与发展 |
3.1.1 Fisher极大鉴别准则 |
3.1.2 Fisher极小鉴别准则 |
3.1.3 Fisher对称零空间鉴别准则 |
3.2 Fisher鉴别准则的推广 |
3.2.1 二维推广 |
3.2.2 核推广 |
3.3 Fisher鉴别向量集的特性分析 |
3.3.1 具有正交性的最佳鉴别向量集 |
3.3.2 具有统计不相关性的最佳鉴别向量集 |
3.4 Fisher鉴别分析两步算法框架 |
3.4.1 PCA+LDA算法框架 |
3.4.2 KPCA+LDA算法框架 |
3.4.3 2DPCA+2DLDA 算法框架 |
3.4.4 K2DPCA+2DLDA 算法框架 |
3.5 改进的核 Fisher鉴别分析两步算法 |
3.5.1 WKPCA+LDA73 |
3.5.2 GKSPCA+SLDA |
3.6 本章小结 |
第4章 图像预处理增强算法研究 |
4.1 双线性广义模糊增强 |
4.1.1 线性广义模糊算子 |
4.1.2 线性广义隶属度变换 |
4.1.3 图像质量评价标准 |
4.2 自适应单层次的双线性广义模糊增强算法 |
4.2.1 模糊参数的自适应优化选择 |
4.2.2 算法执行步骤 |
4.2.3 图像增强效果 |
4.3 自适应多层次的双线性广义模糊增强算法 |
4.3.1 多层次阈值灰度的选择步骤 |
4.3.2 多层次线性广义模糊增强 |
4.3.3 图像增强效果 |
4.4 应用小波包变换的加权广义模糊增强算法 |
4.4.1 小波包变换 |
4.4.2 算法执行步骤 |
4.4.3 图像增强效果 |
4.5 本章小结 |
第5章 人脸识别实验 |
5.1 人脸识别实验简介 |
5.1.1 人脸图像数据库及图像预处理 |
5.1.2 分类器类型 |
5.1.3 识别性能评价指标 |
5.2 实验结果及分析 |
5.3 本章小结 |
结论 |
参考文献 |
攻读博士学位期间承担的科研任务与主要成果 |
致谢 |
作者简介 |
(3)基于SSVM的递归统计不相关特征抽取算法(论文提纲范文)
1 引 言 |
2 散度支持向量机 (SSVM) |
3 小样本情况下SSVM的求解 |
4 递归统计不相关特征抽取算法分析 |
5 非线性特征抽取算法 |
6 仿真实验 |
7 结 语 |
(4)基于流形学习子空间的人脸识别方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 生物特征识别技术简介 |
1.2.1 基于生理特征的生物特征识别技术 |
1.2.2 基于行为特征的生物特征识别技术 |
1.3 人脸识别国内外研究现状 |
1.3.1 人脸识别系统的组成 |
1.3.2 人脸识别国内外研究现状 |
1.4 人脸识别算法的评价标准 |
1.5 子空间方法存在的问题 |
1.6 论文的主要研究内容 |
1.7 论文的结构安排 |
第2章 流形学习算法概述 |
2.1 引言 |
2.2 流形学习定义 |
2.3 经典的线性降维算法 |
2.3.1 主成分分析 |
2.3.2 多维尺度变换 |
2.3.3 线性判别分析 |
2.3.4 独立成分分析 |
2.4 流形学习谱分析算法 |
2.4.1 等距映射 |
2.4.2 局部线性嵌入 |
2.4.3 拉普拉斯特征映射 |
2.4.4 局部切空间排列 |
2.4.5 扩散映射 |
2.5 基于核的非线性投影算法 |
2.5.1 核方法的提出 |
2.5.2 核化的流形学习算法 |
2.6 本章小结 |
第3章 基于Log-Gabor和流形学习子空间算法的人脸识别 |
3.1 引言 |
3.2 Gabor滤波器 |
3.3 Log-Gabor滤波器 |
3.4 基向量受约束的流形学习子空间算法 |
3.4.1 正交非监督判别映射 |
3.4.2 不相关线性判别嵌入 |
3.5 实验与结果分析 |
3.5.1 ORL人脸库实验 |
3.5.2 PIE人脸库实验 |
3.5.3 实验结果分析 |
3.6 本章小结 |
第4章 基于核正交及不相关的流形学习子空间算法的人脸识别 |
4.1 引言 |
4.2 正交局部保局投影 |
4.2.1 局部保局投影 |
4.2.2 正交局部保局投影 |
4.3 核正交及不相关邻域保持判别嵌入 |
4.3.1 NPE及NPDE |
4.3.2 核邻域保持判别嵌入 |
4.3.3 核正交及核不相关NPDE |
4.4 实验及结果分析 |
4.4.1 Yale人脸库实验 |
4.4.2 PIE人脸库实验 |
4.4.3 实验结果分析 |
4.5 本章小结 |
第5章 基于图像矩阵双向监督等度规映射算法的人脸识别 |
5.1 引言 |
5.2 基于图像矩阵的相关算法介绍 |
5.2.1 二维主成分分析 |
5.2.2 二维线性判别分析 |
5.3 基于图像矩阵的双向监督等度规映射 |
5.3.1 等度规映射 |
5.3.2 监督等度规映射 |
5.3.3 基于图像矩阵的双向监督等度规映射 |
5.4 实验与结果分析 |
5.4.1 UMIST人脸库实验 |
5.4.2 YaleB人脸库实验 |
5.4.3 实验结果分析 |
5.5 本章小结 |
第6章 小样本情况下基于核直接及完备MFA的人脸识别 |
6.1 引言 |
6.2 小样本情况下线性判别分析相关算法 |
6.2.1 直接线性判别分析 |
6.2.2 零空间线性判别分析 |
6.3 小样本情况下直接及完备MFA算法 |
6.3.1 MFA |
6.3.2 小样本情况下MFA的基本理论 |
6.3.3 小样本情况下直接MFA算法框架 |
6.3.4 小样本情况下完备MFA算法 |
6.4 小样本情况下核直接及完备MFA算法 |
6.4.1 小样本情况下核直接MFA算法 |
6.4.2 小样本情况下核完备MFA算法 |
6.5 实验与结果分析 |
6.5.1 Yale人脸库实验 |
6.5.2 ORL人脸库实验 |
6.5.3 实验结果分析 |
6.6 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文和取得的科研成果 |
致谢 |
(5)图像特征抽取的若干新方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题的研究背景及其意义 |
1.2 人脸识别研究现状 |
1.2.1 发展概述 |
1.2.2 人脸检测方法 |
1.2.3 特征抽取方法 |
1.2.4 人脸识别方法 |
1.3 本文研究工作概述 |
1.3.1 本文的内容安排 |
2 基于样本区域分析的模糊支持向量机 |
2.1 引言 |
2.2 支持向量机 |
2.2.1 最优分类面 |
2.2.2 广义最优分类面 |
2.2.3 非线性支持向量机 |
2.3 模糊支持向量机(FSVM) |
2.3.1 输入样本的模糊属性 |
2.3.2 两类FSVM的形式表示 |
2.3.3 模糊隶属度函数的依赖性 |
2.4 改进的FSVM分类器 |
2.4.1 基于3叉决策树的FSVM分类器 |
2.4.2 基于样本区域分析的FSVM分类器 |
2.5 实验结果及分析 |
2.6 本章小节 |
3 一种松弛条件下的完全模糊线性鉴别分析策略 |
3.1 引言 |
3.2 传统的小样本问题解决方法 |
3.2.1 线性鉴别分析理论 |
3.2.2 基于Fisherfaces的方法 |
3.3 模糊Fisherface特征提取方法 |
3.3.1 模糊K近邻方法 |
3.3.2 模糊Fisherface特征提取方法 |
3.3.3 一个完整的模糊线性鉴别分析策略 |
3.4 实验结果与分析 |
3.5 本章小节 |
4 对称零空间准则下的LDA特征抽取方法 |
4.1 引言 |
4.2 线性鉴别分析理论及其相关算法 |
4.2.1 直接线性鉴别分析(Direct LDA) |
4.2.3 完整线性鉴别分析(Complete LDA) |
4.2.4 随机鉴别分析(Random LDA) |
4.3 基于对称零空间准则的LDA方法 |
4.3.1 Fisher极小鉴别准则理论 |
4.3.2 一种混合Fisher鉴别准则 |
4.4 实验结果与分析 |
4.4.1 ORL人脸数据库 |
4.4.2 NUST603人脸数据库 |
4.4.3 FERET人脸数据库 |
4.4.4 XM2VTS人脸数据库 |
4.5 本章小节 |
5 几种组合策略的特征抽取方法及其分类器 |
5.1 基于独立成分分析的模糊序贯最小优化算法 |
5.1.1 序贯最小优化(SMO)简介 |
5.1.2 独立成分分析(ICA)简介 |
5.1.3 基于ICA-DT-FSMO的实验结果及分析 |
5.2 基于核的四重子空间的LDA特征抽取方法 |
5.2.1 核的相关技术 |
5.2.2 核主分量分析 |
5.2.3 KFS算法 |
5.2.4 基于KFS的实验结果及分析 |
5.3 模糊四重子空间的LDA特征抽取方法 |
5.3.1 模糊四重子空间算法 |
5.3.2 实验结果及分析 |
6 结论 |
致谢 |
参考文献 |
附录 |
(6)基于模糊Fisher准则的聚类与特征降维研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景 |
1.1.1 模糊聚类 |
1.1.2 特征降维 |
1.2 模糊聚类和特征降维中的一些问题 |
1.3 本文的工作 |
第二章 基于模糊Fisher准则的半模糊聚类算法 |
2.1 国际国内研究现状 |
2.2 半模糊聚类新算法FBSC |
2.2.1 Fisher准则及Fisher线性判别 |
2.2.2 模糊Fisher准则与模糊Fisher线性判别 |
2.2.3 FBSC算法 |
2.2.4 FBSC算法的扩展 |
2.2.5 FBSC算法与FCS、KIF算法的比较 |
2.3 实验结果与分析 |
2.3.1 实验1:人工数据集 |
2.3.2 实验2:标准数据集Iris |
2.3.3 实验3:合成图像纹理分割 |
2.3.4 实验4:真实图像分割 |
2.4 本章小结及进一步的工作 |
第三章 基于模糊Fisher准则的特征抽取研究 |
3.1 国际国内研究现状 |
3.2 常用特征抽取方法 |
3.2.1 主成分分析(PCA) |
3.2.2 线性判别分析(LDA) |
3.3 基于FBSC的特征抽取方法 |
3.3.1 基于散布矩阵的类别可分性判据 |
3.3.2 FFE算法 |
3.3.3 实验结果与分析 |
3.4 基于模糊Fisher准则的无监督最佳鉴别平面 |
3.4.1 有监督最佳鉴别平面 |
3.4.2 模糊Fisher最佳鉴别矢量 |
3.4.3 无监督最佳鉴别平面 |
3.4.4 基于无监督最佳鉴别平面的特征抽取方法 |
3.4.5 实验结果与分析 |
3.5 本章小结及进一步工作 |
第四章 最佳鉴别矢量集在无监督模式下的扩展 |
4.1 国际国内研究现状 |
4.2 有监督模式下最佳鉴别矢量集 |
4.3 无监督模式下最佳鉴别矢量集 |
4.4 实验结果与分析 |
4.4.1 UCI数据集实验 |
4.4.2 PIE人脸识别实验 |
4.5 本章小结及进一步工作 |
第五章 一种基于后验概率的不平衡数据特征选择算法 |
5.1 国际国内研究现状 |
5.2 基于后验概率的特征选择算法 |
5.2.1 算法思想 |
5.2.2 算法流程图 |
5.3 实验结果与分析 |
5.4 本章小结及进一步工作 |
第六章 结束语 |
致谢 |
参考文献 |
附录:作者在攻读博士学位期间发表、录用及提交的论文 |
(7)线性及非线性特征提取人脸识别方法的研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 人脸识别的定义、研究背景及现实意义 |
1.2 人脸识别方法概述 |
1.2.1 人脸识别的子空间方法 |
1.2.2 人脸识别的流形学习方法 |
1.3 课题研究具体内容及安排 |
第二章 线性子空间人脸识别算法 |
2.1 主成分分析PCA |
2.2 独立成分分析ICA |
2.2.1 ICA 基本思想 |
2.2.2 ICA 估计原理 |
2.2.3 FastICA 基本思想 |
2.2.4 PCA 与ICA 的特点 |
2.3 实验与分析 |
2.4 线性鉴别分析LDA |
2.4.1 LDA 的算法思想及步骤 |
2.4.2 LDA 在人脸识别中的应用 |
2.5 最大间距准则MMC |
2.5.1 MMC 的最佳鉴别矢量算法 |
2.5.2 MMC 与Fisher 准则的之间的关系 |
2.6 实验与分析 |
2.7 本章小结 |
第三章 基于流形的各种算法的研究 |
3.1 引言 |
3.2 流形及流形学习的基本概念 |
3.3 等距映射 Isomap |
3.3.1 等距映射基本思想 |
3.3.2 基于ISOMAP 的人脸图像数据的维数约简及可视化 |
3.4 局部线性嵌入 LLE |
3.4.1 LLE 基本思想及算法步骤 |
3.4.2 基于LLE 的人脸图像数据的维数约简、可视化及人脸识别 |
3.5 拉普拉斯特征映射LE |
3.5.1 拉普拉斯特征映射基本思想及算法步骤 |
3.6 局部保持映射LPP |
3.6.1 LPP 基本思想及算法步骤 |
3.6.2 PCA、LDA 与LPP 的关系 |
3.6.3 实验与分析 |
3.7 无监督鉴别投影映射UDP |
3.7.1 UDP 算法思想 |
3.7.2 LPP、LDA 与UDP 的关系 |
3.7.3 实验与分析 |
3.8 本章小结 |
第四章 基于无监督鉴别投影映射(UDP)改进的特征提取方法 |
4.1 引言 |
4.2 基于正交化的UDP 最佳鉴别矢量算法概述 |
4.2.1 基于标准正交性的UDP 最佳鉴别矢量算法 |
4.2.2 基于正交化的UDP 算法思想 |
4.3 实验与分析 |
4.4 具有统计不相关的UDP 最佳鉴别矢量算法概述 |
4.4.1 统计不相关性思想 |
4.4.2 具有统计不相关的UDP 最佳鉴别矢量算法思想 |
4.5 实验与分析 |
4.6 本章小结 |
结束语 |
参考文献 |
硕士期间发表的文章 |
详细摘要 |
(8)特征提取方法研究及其在人脸识别中的应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 人脸识别概述 |
1.2.1 人脸识别系统构成 |
1.2.2 人脸识别技术的难点 |
1.2.3 人脸识别的主要方法 |
1.3 人脸识别中的特征提取方法概述 |
1.3.1 线性特征提取方法 |
1.3.2 非线性特征提取方法 |
1.4 研究内容 |
1.5 论文结构 |
第2章 几种经典的特征提取方法介绍 |
2.1 引言 |
2.2 线性特征提取方法 |
2.2.1 主成分分析 |
2.2.2 线性鉴别分析方法 |
2.2.3 保局投影映射 |
2.3 非线性特征提取方法 |
2.2.1 基于核映射学习方法的基本原理 |
2.3.2 核主成分分析方法 |
2.3.3 核鉴别分析方法 |
2.4 本章小结 |
第3章 基于图像矩阵模型的线性特征提取方法 |
3.1 引言 |
3.2 二维主成分分析及二维线性鉴别分析 |
3.3 2DUDV方法 |
3.3.1 2DUDV方法的理论与实现 |
3.3.2 实验结果及分析 |
3.5 本章小结 |
第4章 基于图像向量模型的线性特征提取方法 |
4.1 引言 |
4.2 不相关空间方法 |
4.3 IUSM方法 |
4.3.1 Fisher准则函数 |
4.3.2 IUSM方法的理论基础及实现 |
4.3.3 实验结果及分析 |
4.4 本章小结 |
第5章 基于核映射的特征提取方法 |
5.1 引言 |
5.2 KODLPP方法 |
5.2.1 正交鉴别保局投影方法 |
5.2.2 关于正交鉴别保局投影方法的奇异问题 |
5.2.3 KODLPP方法理论与实现 |
5.2.4 实验结果与分析 |
5.3 KDCV方法 |
5.3.1 鉴别通用矢量集方法 |
5.3.2 KDCV方法的理论与实现 |
5.3.3 实验结果与分析 |
5.4 KUSM方法 |
5.4.1 KUSM方法的理论与实现 |
5.4.2 实验结果与分析 |
5.5 关于三种核特征提取方法的讨论 |
5.6 本章小结 |
第6章 基于压缩变换的核特征提取方法优化模型与实现 |
6.1 引言 |
6.2 基于压缩变换的核特征提取方法优化模型 |
6.2.1 优化模型的思想 |
6.2.2 高维训练样本的压缩处理理论 |
6.3 基于压缩变换的核特征提取方法的实现 |
6.4 实验结果与分析 |
6.5 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文 |
致谢 |
(9)图像特征提取方法及其在人脸识别中的应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 人脸识别概述 |
1.2 特征提取方法的发展 |
1.3 几种线性与非线性特征提取方法简介 |
1.3.1 线性特征提取方法 |
1.3.2 基于“核技术”的非线性特征提取方法 |
1.3.3 基于流行学习的非线性维数压缩技术 |
1.4 本文的研究内容和创新点 |
1.5 本文章节安排 |
第2章 非负矩阵分解方法及其应用 |
2.1 引言 |
2.2 NMF的基本理论 |
2.3 两种正交化的基本思想 |
2.4 NMF的鉴别方法 |
2.4.1 有统计不相关性(或Schmidt正交性)的算法 |
2.4.2 两种分类器 |
2.5 实验与分析 |
2.5.1 ORL人脸库上的实验 |
2.5.2 YALE人脸库上的实验 |
2.5.3 图像重构实验 |
2.6 本章小结 |
第3章 组合类别信息的非负矩阵分解方法 |
3.1 引言 |
3.2 NMF的算法概括 |
3.3 组合类别信息的NMF算法 |
3.3.1 CINMF的基本思想 |
3.3.2 基于两种鉴别特征融合的分类器 |
3.4 实验与分析 |
3.4.1 识别率的比较 |
3.4.2 图像重构实验 |
3.5 本章小结 |
第4章 组合类别信息的核主成分分析 |
4.1 引言 |
4.2 核主成分分析(KPCA)理论 |
4.3 组合类别信息的核主成分分析(CIKPCA) |
4.3.1 CIKPCA的实现 |
4.3.2 基于两种特征融合的最近邻分类器 |
4.4 实验与分析 |
4.4.1 YALE人脸库上的实验 |
4.4.2 ORL人脸库上的实验 |
4.4.3 AR人脸库上的实验 |
4.5 本章小结 |
第5章 基于最大间距准则的特征提取方法 |
5.1 引言 |
5.2 基于最大间距准则的最优鉴别矢量求法 |
5.3 具有统计不相关性的最优鉴别矢量 |
5.4 最大间距准则与Fisher准则的最优鉴别矢量集之间的关系 |
5.5 特征矢量的统计相关性 |
5.6 具有统计不相关性的算法 |
5.7 基于核最大间距准则的特征提取方法 |
5.7.1 核最大间距准则(KMMC) |
5.7.2 具有统计不相关性的最优核鉴别矢量 |
5.7.3 特征矢量的统计相关性 |
5.8 基于核鉴别准则的具体算法 |
5.9 实验与分析 |
5.9.1 NUST603人脸库上的实验 |
5.9.2 YALE和ORL人脸库上的实验 |
5.9.3 “留一法”实验(leave-one-out) |
5.10 本章小结 |
第6章 基于流形学习的特征提取方法 |
6.1 引言 |
6.2 全局散度、局部散度和非局部散度 |
6.2.1 局部散度 |
6.2.2 非局部散度 |
6.3 基于局部与非局部散度的鉴别准则 |
6.4 具有核权系数的MDP |
6.5 最大间距鉴别投影(MDP)算法 |
6.6 实验与分析 |
6.6.1 ORL人脸库上的实验 |
6.6.2 AR人脸库上的实验 |
6.7 本章小结 |
第7章 基于图像矩阵的无监督鉴别投影 |
7.1 引言 |
7.2 基于图像矩阵的总体散度、局部散度和非局部散度 |
7.2.1 总体散度 |
7.2.2 局部散度 |
7.2.3 非局部散度 |
7.2.4 基于图像矩阵行方向的鉴别准则 |
7.3 基于图像矩阵列方向的鉴别准则 |
7.4 二种基于图像矩阵的投影算法 |
7.4.1 基于图像矩阵双方向的无监督鉴别投影((2D)~2UDP) |
7.4.2 基于图像矩阵双方向的最大间距鉴别投影((2D)~2MDP) |
7.5 实验与分析 |
7.5.1 实验一 |
7.5.2 实验二 |
7.5.3 实验三 |
7.6 本章小结 |
第8章 结束语 |
致谢 |
参考文献 |
附录 |
(10)一种基于核最大间距准则改进的特征提取方法(论文提纲范文)
1 核最大间距准则 |
2 统计不相关的最优核鉴别矢量 |
3 试验与分析 |
3.1 试验一 |
3.2 试验二 |
4 结 论 |
四、具有统计不相关性的最佳鉴别特征空间的维数定理(论文参考文献)
- [1]改进的Fisher鉴别分析两步算法研究及其在人脸识别中的应用[D]. 崔法毅. 燕山大学, 2012(10)
- [2]具有统计不相关性的核化图嵌入算法[J]. 卢桂馥,林忠,金忠. 中国图象图形学报, 2011(04)
- [3]基于SSVM的递归统计不相关特征抽取算法[J]. 任世锦,王小林,吕俊怀,张晓光. 计算机学报, 2011(03)
- [4]基于流形学习子空间的人脸识别方法研究[D]. 王庆军. 哈尔滨工程大学, 2011(05)
- [5]图像特征抽取的若干新方法研究[D]. 宋晓宁. 南京理工大学, 2011(12)
- [6]基于模糊Fisher准则的聚类与特征降维研究[D]. 曹苏群. 江南大学, 2009(02)
- [7]线性及非线性特征提取人脸识别方法的研究[D]. 刘粉香. 南京林业大学, 2009(02)
- [8]特征提取方法研究及其在人脸识别中的应用[D]. 林玉娥. 哈尔滨工程大学, 2009(04)
- [9]图像特征提取方法及其在人脸识别中的应用[D]. 李勇智. 南京理工大学, 2009(07)
- [10]一种基于核最大间距准则改进的特征提取方法[J]. 李国栋,李勇智. 江苏大学学报(自然科学版), 2008(05)