郭慧玲
- 作品数：3 被引量：2H指数：1
- 供职机构：江南大学数字媒体学院更多>>
- 发文基金：江苏省自然科学基金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术电子电信更多>>
- 基于广义旋转不变性核函数的人脸识别
- 2012年
- 旋转不变性核函数广泛应用于人脸识别等各个领域,但抗噪能力并不理想。本研究引入广义旋转不变性核函数,在忽略分布的具体形式的前提下,将原始的非线性问题转化为线性问题,同时降低了参数估计的难度。广义高斯函数指数α是其峰值的主要决定因素,根据这一性质在旋转不变性核函数中引入指数r,通过控制指数r的变化来观察算法的识别率,然后再人为的给实验数据加上不同的高斯白噪音,以此来验证算法的抗噪能力。实验结果证明了这一方法的优越性,随着指数r的变化,识别率几乎成线性变化,而且总能找到最佳的r值,使得识别率达到最好,并且总优于旋转不变性核函数。在同等实验条件下,本方法大幅度的提高了抗噪声能力。
- 郭慧玲王士同闫晓波
- 关键词：核函数旋转不变性人脸识别
- 核协方差成分分析方法及其在聚类中的应用被引量：1
- 2012年
- 以降维前后密度总和与Renyi熵的差(Densities-vs-Entropy,D-vs-E)尽量靠近为准则,得到了一种新的特征降维方法,而D-vs-E是由核特征空间的协方差矩阵导出的,因此称为核协方差成分分析(Kernel Covariance Compo-nent Analysis,KCCA)。将D-vs-E发展为广义D-vs-E(generalized D-vs-E)。KCCA通过将数据投影在使D-vs-E最大的KPCA轴方向得到转换后的低维数据,但是所选取的KPCA轴不一定对应于核矩阵最大的几个特征值。与基于Renyi熵的KECA相比,KCCA是基于D-vs-E的。基于广义D-vs-E的KCCA数据转换方法应用于聚类的结果显示,它在对高斯核参数的选择上具有更强的鲁棒性。
- 闫晓波王士同郭慧玲
- 关键词：聚类协方差矩阵
- 基于Parzen窗的高阶统计量特征降维方法被引量：1
- 2013年
- 高阶统计量通常能比低阶统计量提取更多原数据的信息,但是较高的阶数带来了较高的时间复杂度.基于Parzen窗估计构造了高阶统计量,通过论证得出:对于所提出的核协方差成分分析(KCCA)方法,通过调节二阶统计量广义D-vs-E的参数就能够达到整合高阶统计量的目的,而无需计算更高阶统计量.即核协方差成分分析方法能够对高阶统计量的特征降维的同时,又不增加计算复杂性.
- 闫晓波王士同郭慧玲
- 关键词：高阶统计量PARZEN窗特征降维
