流形學(xué)習(xí)算法的改進(jìn)及在人臉識別中的應(yīng)用.pdf

1、在模式識別領(lǐng)域的特征提取過程中，流形學(xué)習(xí)是一項有效的降低維度的技術(shù)。它旨在保護給定樣本集中各鄰域結(jié)構(gòu)。本文重點研究了近年來比較熱門的特征提取技術(shù)，如：鑒別分析技術(shù)，流形學(xué)習(xí)技術(shù)和稀疏表示技術(shù)等。
　　 在學(xué)習(xí)過程中，我們發(fā)現(xiàn)傳統(tǒng)的流形學(xué)習(xí)方法，如局部保留投影（localitypreserving projection, LPp算法等，都是保護以樣本為中心的鄰域結(jié)構(gòu)。這種鄰域結(jié)構(gòu)雖然能夠如實的反應(yīng)初始樣本間的近鄰關(guān)系，但在其鄰域內(nèi)

2、可能會存在過多的異類樣本，這不利于最終的分類識別。因此，我們提出了一種新的基于子類中心鄰域結(jié)構(gòu)的方法，即子類中心流形保留投影（subclass-center manifold preserving projection,SMPp。這種方法以樣本集所分的各子類中心為鄰域中心，建立鄰域結(jié)構(gòu)。我們通過理論證明了數(shù)據(jù)樣本通常會呈現(xiàn)一種高斯混合分布，而分布的中心即為各子類中心，所以這種鄰域結(jié)構(gòu)內(nèi)部會存在較多的本類樣本。為了能夠利用樣本的類別信息，

3、進(jìn)一步提高識別效果，我們進(jìn)而提出了鑒別的子類中心保留投影算法（discriminant SMPP, DSMPp。
　　 不同于相關(guān)的鑒別流形算法，DSMPp建立一個雙目標(biāo)優(yōu)化模式，并通過線性加權(quán)和方法將其解決。從而將子類流形結(jié)構(gòu)信息和樣本固有的類別信息融合在一起，達(dá)到在投影中既能夠保留樣本流形結(jié)構(gòu)，又能夠使得同類樣本靠近，異類樣本分開。
　　 特征提取技術(shù)希望能夠在本過程中提取到盡可能多的有效信息，而一些稀疏表示方法的文

4、章又提示我們，數(shù)據(jù)集中的各樣本間含有這種互相稀疏表示的關(guān)系。因此，為了能夠充分利用樣本固有信息，我們提出了一種新的稀疏表示方法，即帶有流形信息的稀疏映射（sparsity embedding with manifold information, SEMI 算法。這種算法首先將原始樣本稀疏重構(gòu)，得到重構(gòu)后的新樣本集。然后在投影過程中，保留新舊樣本間的流形結(jié)構(gòu)，從而達(dá)到能夠同時保留樣本間稀疏關(guān)系和流形結(jié)構(gòu)的目的。
　　 我們在AR，