江苏省自然科学基金(BK2011728)
- 作品数:4 被引量:14H指数:2
- 相关作者:陈松灿陈晓红周旭东周航星田青更多>>
- 相关机构:南京航空航天大学南京大学扬州大学更多>>
- 发文基金:江苏省自然科学基金国家自然科学基金江苏省研究生培养创新工程项目更多>>
- 相关领域:自动化与计算机技术理学更多>>
- 增强组合特征判别性的典型相关分析被引量:8
- 2012年
- 典型相关分析(CCA)在执行分类任务时主要存在如下不足:1)尽管分类时的输入是组合特征,但CCA仅优化组合特征的各组成部分,并未直接优化组合特征本身;2)尽管面对的是分类任务,然而CCA根本无法利用样本的类信息.为弥补CCA的上述不足,文中提出一种监督型降维方法——增强组合特征判别性的典型相关分析(CECCA).CECCA在CCA基础上,通过结合组合特征的判别分析,实现对组合特征相关性与判别性的联合优化,使所抽取特征更适合分类.在人工数据集、多特征手写体数据集和人脸数据集上的实验结果验证该方法的有效性.
- 周旭东陈晓红陈松灿
- 关键词:降维信息融合
- 判别最小平方有序回归
- 2015年
- 有序回归是特殊的机器学习范式,其目标是利用数据间内在的序标号以划分模式.尽管众多算法相继提出,但经典的最小平方回归(LSR)尚未应用于有序回归场景.为此,文中采用累积标号编码和间隔扩大策略,在LSR基础上提出判别最小平方有序回归(DLSOR).DLSOR在对回归函数无需施加约束的前提下,仅通过改造标号实现有序信息的嵌入和类间间隔的扩大,从而确保DLSOR在与LSR具有相当模型复杂度的同时,既保证较高的分类精度,又获得较低的平均绝对误差.实验验证DLSOR在提升有序回归性能上的优越性.
- 余海犇田青陈松灿
- 有序判别典型相关分析被引量:6
- 2014年
- 多视图学习方法通过视图间互补信息的融合,达到增强单一视图方法的鲁棒性并提升学习性能的目的.典型相关分析(canonical correlation analysis,简称CCA)是一种重要的多视图信息融合技术.其研究的是针对同一组目标两组不同观测数据间的相关性,目标是得到一组相关性最大的投影向量.但当面对标号有序的分类任务时,CCA因没有利用类信息和类间有序信息,造成了对分类性能的制约.为此,通过将有序类信息嵌入CCA进行扩展,发展出有序判别典型相关分析(ordinal discriminative canonical correlation analysis,简称OR-DisCCA).实验结果表明,OR-DisCCA的性能比相关方法更优.
- 周航星陈松灿
- 关键词:信息融合
- 平均紧性约束下的最坏分离空间平滑判别分析
- 2014年
- 空间平滑的线性判别分析(SLDA)和基于空间平滑欧氏距离的线性判别分析(IMEDA)是目前结合图像特有的空间结构信息进行图像判别降维的两种主要方法,具有比线性判别分析(LDA)更显著的分类效果.与SLDA和IMEDA不同,文中通过参数化投影方向,约束平均类内散度(或紧性)上界和最大化最坏类间散度(或分离度),产生的降维算法分别称为WSLDA和WIMEDA.它们的求解最终可归结为简单的特征值优化问题,避免使用完整特征值分解的缺点.在Yale、AR和FERET标准人脸集上的实验验证它们的有效性.
- 牛璐璐陈松灿俞璐