新型特征抽取算法研究

前言

第1章 引论
1．1 背景
1．2 研究目的和意义
1．3 特征抽取方法概述
1．3．1 线性特征抽取方法
1．3．2 非线性特征抽取方法
1．3．3 基于增量学习的特征抽取
1．3．4 基于表示理论的特征抽取
1．4 实验常用数据集

第2章 扩展主成分分析
2．1 引言
2．2 PCA简介
2．3 相似子空间学习框架
2．3．1 相似子空间框架的基本思想
2．3．2 相似子空间模型
2．3．3 基于特征选择的子空间集成
2．4 实验
2．4．1 人脸库AR上的实验
2．4．2 人脸库CMU PIE上的实验
2．4．3 特征选择
2．4．4 聚类
2．4．5 人脸重建
2．4．6 相似子空间在分类中的作用
2．5 本章小结

第3章 基于样本近邻的局部线性鉴别分析框架
3．1 引言
3．2 局部鉴别分析框架的基本思想
3．3 基于向量形式的LDA（VLDA）和基于矩阵形式的LDA（MLDA）
3．3．1 基于向量形式的LDA（VLDA）
3．3．2 基于矩阵形式的LDA（MLDA）
3．4 LLDA框架
3．4．1 基于向量的LLDA（VLLDA）算法
3．4．2 基于矩阵的LLDA（MLLDA）算法
3．4．3 LLDA算法框架
3．4．4 LLDA框架分析
3．4．5 近邻个数的选择
3．4．6 计算复杂度分析
3．5 实验结果
3．5．1 在二维模拟数据集上的实验
3．5．2 在ORL人脸库上的实验
3．5．3 在Yale人脸库上的实验
3．5．4 在AR人脸库上的实验
3．6 本章小结

第4章 基于局部最小均方误差的分类算法
4．1 引言
4．2 最小均方误差算法简介
4．2．1 MSE的二分类模型
4．2．2 MSE的多类分类模型
4．3 LMSE的提出
4．4 局部最小均方误差模型
4．4．1 二元分类的LMSE
4．4．2 多元分类的LMSE
4．4．3 LMSE算法复杂度及相关讨论
4．5 实验
4．5．1 AR数据集上的实验
4．5．2 在CMU PIE数据集上的实验
4．5．3 在MNIST数据集上的实验
4．5．4 在两类数据集上的实验
4．6 本章小结

第5章 基于个性化学习的核线性鉴别分析
5．1 引言
5．2 一般个性化学习的主要思想
5．3 个性化KFDA（IKFDA）
5．3．1 确定学习区域
5．3．2 使用KFDA的学习模型
5．3．3 计算复杂性分析
5．4 实验
5．4．1 在AR人脸数据集上的实验
5．4．2 在YaleB人脸数据集上的实验
5．4．3 在AR+ORL人脸数据集上的实验
5．4．4 在MNIST数据集上的实验
5．4．5 学习区域参数尺与分类结果之间的联系
5．5 本章小结

第6章 高效KPCA特征抽取方法
6．1 引言
6．2 核主成分分析（KPCA）
6．3 高效的核主成分分析（EKPCA）
6．3．1 EKPCA的基本思想
6．3．2 确定基本模式
6．3．3 复杂度分析
6．4 实验结果
6．5 本章小结

第7章 快速核最小均方误差算法
7．1 问题的提出
7．2 KMSE模型
7．3 快速KMSE（FKMSE）算法
7．4 实验
7．4．1 实验1
7．4．2 实验2
7．4．3 实验3
7．5 本章小结

第8章 核函数参数的自动选择
8．1 引言
8．2 基于通用熵的核函数参数选择
8．2．1 通用熵
8．2．2 余弦矩阵和核矩阵之间的关系
8．3 实验
8．3．1 高斯核函数参数选择
8．3．2 多项式核函数参数选择
8．4 本章小结

第9章 基于样本表示的特征抽取
9．1 基于L2范数的表示方法
9．1．1 协同表示分类（CRC）方法
9．1．2 线性回归分类（LRC）方法
9．1．3 两阶段测试样本的稀疏表示（TPTSR）方法
9．2 基于L1范数的表示方法
9．3 基于L0范数的表示方法
9．3．1 引言
9．3．2 GASRC
9．3．3 实验
9．4 本章小结

参考文献

《新型特征抽取算法研究》：　　主成分分析的目的是寻找一个子空间，即PCA子空间，使得在这个子空间里，数据的方差达到最大。PCA子空间是由样本协方差矩阵的那些最大特征值所对应的特征向量张成的。PCA既能够用于有监督学习，又可以用于无监督学习。它已经被成功用于很多应用场合和研究领域。自从Turk和Pentland将PCA（即传统的PCA）用于人脸识别以来，人们提出了对PCA的各种改进方法，以提高它的效果或效率。在传统的PCA（为简单起见，后面就称它为PCA）中，需要将图像数据转变为向量表示形式，这样有可能会使包含在图像里面的空间信息损坏，从而降低对图像数据的特征抽取效果。为解决这个问题，杨健等人提出了二维主成分分析（2DPCA），它不需要将图像数据转化为向量形式，可以列二维图像数据直接使用主成分分析。一般情况下，二维主成分分析的计算效率比一维传统的主成分分析高很多，它又可以看作多线性主成分分析的一种特殊形式。近年来，学者们又提出了多种基于L1范数的主成分分析方法，例如PCA_L1、稀疏PCA、鲁棒PCA和基于L1范数的2DPCA等，它们都对异常数据的处理有较好的鲁棒性。然而，当对现实世界中非线性数据分类时，上述PCA方法可能得不到很好的分类效果。由于非线性PCA和核PCA以及由它们演变得到的方法能够有效地获取非线性信息，因此，它们具有较强的处理现实世界中非线性数据的能力。此外，独立分量分析（ICA）、概率PCA、半二次PCA和双线性概率PCA都是基于概率相似度量方法，它们也可以看作PCA的扩展。　　

　《新型特征抽取算法研究》的主要内容是特征抽取方法在人脸识别和其他分类任务中的应用。首先介绍了改进的特征抽取方法以提高经典特征抽取方法的分类精度。接着介绍了几种特征抽取方法，它们的目的是提高特征抽取算法的计算效率。最后从一个新颖的角度去描述特征抽取方法，即从样本表示的角度来阐述特征抽取，这源自目前备受关注的压缩感知理论。　　《新型特征抽取算法研究》既可作为自动化、计算机、电子工程和信息管理等专业本科生、研究生和研究人员的科研用书，又可作为从事模式识别、机器学习、计算机视觉和图像处理等工作的开管人员的参考资料。