包邮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*小均方误差的分类算法4.1 引言4.2 *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*小均方误差模型4.4.1 二元分类的LMSE4.4.2 多元分类的LMSE4.4.3 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*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17.4.2 实验27.4.3 实验37.5 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