083] 將求解得到的特征值按絕對(duì)值從大到小的順序排列，選擇前r個(gè)絕對(duì)值大的特征 值對(duì)應(yīng)的特征向量ai，順序排列得到投影矩陣E=(ai，a2, . . .，ai, . . .ar);
[0084] 步驟9.計(jì)算降維后的矩陣Y。
[0085] 利用Υ=ΧΕ計(jì)算原始矩陣X降維后的矩陣Υ，完成對(duì)原始矩陣X的降維。
[0086] 本發(fā)明的效果可通過以下仿真進(jìn)一步說明：
[0087] 1.仿真條件：
[0088] 實(shí)驗(yàn)在Hp Compaq 6280 Pro MT PC，4G內(nèi)存的計(jì)算機(jī)上進(jìn)行，應(yīng)用MATLAB 2010a 軟件進(jìn)行仿真。
[0089] 仿真對(duì)象為0RL人臉庫(kù)、BANCA人臉庫(kù)和雷達(dá)輻射源信號(hào)模糊函數(shù)特征數(shù)據(jù)庫(kù)。
[0090] 所述0RL標(biāo)準(zhǔn)人臉數(shù)據(jù)庫(kù)是由Olivetti實(shí)驗(yàn)室創(chuàng)建的，該數(shù)據(jù)庫(kù)總共含有400幅圖 像，每個(gè)人有十幅共40個(gè)人的面部圖像，并且其中一些圖像獲取時(shí)間是不同的。這些圖像規(guī) 模全部都是112X92維，包含256個(gè)灰度級(jí)并且背景全部是黑色。這些灰度圖像包括了面部 表情，即笑或者不笑，光照條件和面部細(xì)節(jié)即帶眼鏡或者沒有眼鏡，以及睜眼或者閉眼等不 同。圖2為0RL人臉庫(kù)的圖像樣本。從圖2中可以看出，數(shù)據(jù)庫(kù)中人臉圖像有表情，臉部方位以 及光照等變化。
[0091] 所述BANCA人臉庫(kù)是由歐洲BANCA項(xiàng)目創(chuàng)建的，拍攝了208個(gè)人不同時(shí)間，不同狀 態(tài)，不同質(zhì)量，不同光照，不同表情的標(biāo)準(zhǔn)人臉圖像。從中隨機(jī)選擇52個(gè)人的人臉圖像，這中 間包含不同年齡、不同性別的對(duì)象。每人10幅圖組成一個(gè)520幅圖的數(shù)據(jù)集，其中每幅圖都 為56X46維。這些圖像包括臉部表情，光照條件與臉部細(xì)節(jié)(有眼鏡或沒眼鏡）的變化。圖5 所示為BANCA數(shù)據(jù)庫(kù)的圖像樣本。
[0092] 所述雷達(dá)輻射源信號(hào)模糊函數(shù)特征數(shù)據(jù)庫(kù)是通過如下實(shí)驗(yàn)手段所獲取的數(shù)據(jù)庫(kù)： [0093]用民航應(yīng)答信號(hào)作為雷達(dá)信號(hào)，求取雷達(dá)信號(hào)的模糊函數(shù)，提取模糊函數(shù)代表性 切片特征，形成雷達(dá)輻射源信號(hào)特征數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)中共有13類，每類80個(gè)樣本，共計(jì) 1040個(gè)樣本組成，原始維數(shù)為1024維。圖8給出了該數(shù)據(jù)庫(kù)中1-6類樣本信號(hào)的模糊函數(shù)特 征波形。
[0094] 2.仿真內(nèi)容：
[0095]實(shí)驗(yàn)1:用本發(fā)明和現(xiàn)有半監(jiān)督局部費(fèi)舍爾判別分析方法SELF、直推式成分分析方 法TCA、半監(jiān)督判別分析方法SDA對(duì)0RL人臉庫(kù)進(jìn)行仿真。
[0096] 在0RL人臉庫(kù)中，取每一類的10個(gè)樣本，從中隨機(jī)選擇{2，3}個(gè)樣本形成有標(biāo)記樣 本集。本實(shí)驗(yàn)分別采用本發(fā)明與SDA、SELF、TCA方法對(duì)0RL數(shù)據(jù)庫(kù)中樣本進(jìn)行降維，得到10個(gè) 降維后的矩陣Y r，矩陣Yr的大小為nXr，r = 5，10，15...，50。
[0097] 本發(fā)明在對(duì)0RL人臉庫(kù)樣本降維的過程中，參數(shù)選擇如下：近鄰圖影響因子α = 0.1，類內(nèi)無向圖影響因子β=5,類間無向圖影響因子γ =1，平滑因子σ = 1。
[0098] SDA方法在對(duì)0RL人臉庫(kù)樣本降維的過程中，參數(shù)選擇如下：懲罰因子θ = 〇. 1，平滑 因子σ = 1〇
[0099] SELF方法在對(duì)0RL人臉庫(kù)樣本降維的過程中，參數(shù)選擇如下：平衡因子Φ = 0.9，平 滑因子〇 = 1。
[0100] TCA方法在對(duì)0RL人臉庫(kù)樣本降維的過程中，參數(shù)選擇如下:光滑因子11 = 0.1，距離 影響因子μ=1，平滑因子〇 = 1。
[0101] 本實(shí)驗(yàn)通過1近鄰分類器分別對(duì)維數(shù)r = 5,10,15. .. ,50的10個(gè)矩陣Yr中各行向量 進(jìn)行分類，得到估計(jì)類標(biāo)，計(jì)算該矩陣Yr的分類準(zhǔn)確率。實(shí)驗(yàn)結(jié)果取20次平均，在2個(gè)標(biāo)記樣 本時(shí)降維結(jié)果如圖3,在3個(gè)標(biāo)記樣本時(shí)降維結(jié)果如圖4。
[0102] 從圖3和圖4可以得到如下結(jié)論：
[0103] 1)本發(fā)明在包含2個(gè)標(biāo)記樣本時(shí)都比其他方法平均高出7 %的識(shí)別率?？傮w上，本 發(fā)明性能始終優(yōu)于SDA、SELF和TCA方法，取得了最好的分類識(shí)別準(zhǔn)確率；
[0104] 2)在構(gòu)圖過程中加入樣本的類標(biāo)信息要比僅僅采用歐式距離描述樣本間的相似 性更加合理。
[0105] 實(shí)驗(yàn)2:用本發(fā)明和現(xiàn)有半監(jiān)督局部費(fèi)舍爾判別分析方法SELF、直推式成分分析方 法TCA、半監(jiān)督判別分析方法SDA對(duì)BANCA人臉庫(kù)進(jìn)行仿真。
[0106] 在BANCA人臉庫(kù)中，取每一類的10個(gè)樣本，從中隨機(jī)選擇{3，4}個(gè)樣本形成有標(biāo)記 樣本集。本實(shí)驗(yàn)分別采用本發(fā)明與SDA、SELF、TCA方法對(duì)BANCA數(shù)據(jù)庫(kù)中樣本進(jìn)行降維，得到 10個(gè)降維后的矩陣Y r，矩陣Yr的大小為nXr，r = 5，10，15...，50。
[0107] 本發(fā)明在對(duì)BANCA人臉庫(kù)樣本降維的過程中，參數(shù)選擇如下:近鄰圖影響因子α = 0.05,類內(nèi)無向圖影響因子β=10,類間無向圖影響因子γ =0.1，平滑因子σ = 1。
[0108] SDA方法在對(duì)BANCA人臉庫(kù)樣本降維的過程中，參數(shù)選擇如下:懲罰因子θ = 〇. 1，平 滑因子〇 = 1。
[0109] SELF方法在對(duì)BANCA人臉庫(kù)樣本降維的過程中，參數(shù)選擇如下:平衡因子Φ = 0.9， 平滑因子〇 = 1。
[0110] TCA方法在對(duì)BANCA人臉庫(kù)樣本降維的過程中，參數(shù)選擇如下：光滑因子η = 〇.05， 距離影響因子μ=1，平滑因子σ = 1。
[0111] 本實(shí)驗(yàn)通過l近鄰分類器分別對(duì)維數(shù)r = 5，10，15...，50的10個(gè)矩陣Yr中各行向量 進(jìn)行分類，得到估計(jì)類標(biāo)，計(jì)算該矩陣Yr的分類準(zhǔn)確率。實(shí)驗(yàn)結(jié)果取20次平均，在3個(gè)標(biāo)記樣 本時(shí)降維結(jié)果如圖6,在4個(gè)標(biāo)記樣本時(shí)降維結(jié)果如圖7。
[0112] 從圖6和圖7可見，在BANCA數(shù)據(jù)庫(kù)上，本發(fā)明性能總體上優(yōu)于SDA方法、SELF方法和 TCA方法，且本發(fā)明相比于TCA方法平均分類準(zhǔn)確率提高了 2 %以上。
[0113] 實(shí)驗(yàn)3:用本發(fā)明和現(xiàn)有半監(jiān)督局部費(fèi)舍爾判別分析方法SELF、直推式成分分析方 法TCA、半監(jiān)督判別分析方法SDA對(duì)雷達(dá)輻射源信號(hào)模糊函數(shù)特征數(shù)據(jù)庫(kù)進(jìn)行仿真。
[0114] 在雷達(dá)輻射源信號(hào)模糊函數(shù)特征數(shù)據(jù)庫(kù)中，每一類的模糊函數(shù)零切片特征有20 個(gè)，從中隨機(jī)選擇{4,8}個(gè)樣本形成有標(biāo)記樣本集。本實(shí)驗(yàn)分別采用本發(fā)明與SDA、SELF、TCA 方法對(duì)雷達(dá)輻射源信號(hào)模糊函數(shù)特征數(shù)據(jù)庫(kù)中樣本進(jìn)行降維，得到8個(gè)降維后的矩陣Yr，矩 陣1的大小為11\14 = 5，10，15...，40。
[0115] 本發(fā)明在對(duì)雷達(dá)輻射源信號(hào)模糊函數(shù)特征數(shù)據(jù)庫(kù)樣本降維的過程中，參數(shù)選擇如 下:近鄰圖影響因子α = 0.01，類內(nèi)無向圖影響因子β = 0.5,類間無向圖影響因子γ = 0.1， 平滑因子〇 = 1。
[0116] SDA方法在對(duì)雷達(dá)輻射源信號(hào)模糊函數(shù)特征數(shù)據(jù)庫(kù)樣本降維的過程中，參數(shù)選擇 如下:懲罰因子Θ = 0.7,平滑因子〇 = 1。
[0117] SELF方法在對(duì)雷達(dá)輻射源信號(hào)模糊函數(shù)特征數(shù)據(jù)庫(kù)樣本降維的過程中，參數(shù)選擇 如下:平衡因子Φ = 〇.5,平滑因子σ = 1。
[0118] TCA方法在對(duì)雷達(dá)輻射源信號(hào)模糊函數(shù)特征數(shù)據(jù)庫(kù)樣本降維的過程中，參數(shù)選擇 如下:光滑因子η = 0.1，距離影響因子μ = 30,平滑因子0 = 1。
[0119] 本實(shí)驗(yàn)通過1近鄰分類器分別對(duì)維數(shù)r = 5,10,15. .. ,40的10個(gè)矩陣Yr中各行向量 進(jìn)行分類，得到估計(jì)類標(biāo)，計(jì)算該矩陣Yr的分類準(zhǔn)確率。實(shí)驗(yàn)結(jié)果取20次平均，在4個(gè)標(biāo)記樣 本時(shí)降維結(jié)果如圖9,在8個(gè)標(biāo)記樣本時(shí)降維結(jié)果如圖10。
[0120] 從圖9和圖10中可以看出，在雷達(dá)輻射源信號(hào)模糊函數(shù)特征數(shù)據(jù)庫(kù)上，本發(fā)明總體 上優(yōu)于現(xiàn)有的SDA方法、SELF方法和TCA方法。
[0121] 以上仿真結(jié)果表明，采用本發(fā)明，能有效地提升對(duì)數(shù)據(jù)降維后的分類效果。
【主權(quán)項(xiàng)】
1. 一種基于有監(jiān)督圖的直推式數(shù)據(jù)降維方法，包括如下步驟： ⑴輸入n=FXP幅原始圖像，對(duì)這些圖像進(jìn)行校準(zhǔn)和對(duì)齊，將其裁剪為相同尺寸，其中 F為原始圖像類別數(shù)，P為每一類圖像的張數(shù)； (2) 將每幅圖像像素點(diǎn)的灰度特征值按行取出并順序排列形成一個(gè)d維行向量Xj，組成 一個(gè)nXd的矩陣，對(duì)該矩陣的每一行進(jìn)行歸一化，得到原始矩陣X=(xi，x2,. . .，χη); (3) 將每幅圖像的類標(biāo)順序排列形成一個(gè)η維列向量，即類標(biāo)向量G，其中無標(biāo)記樣本的 類標(biāo)為〇; (4) 根據(jù)原始矩陣X，計(jì)算第一拉普拉斯矩陣L; (5) 根據(jù)類標(biāo)向量G，計(jì)算第二拉普拉斯矩陣L1; (6) 根據(jù)第一拉普拉斯矩陣L和第二拉普拉斯矩陣L1，計(jì)算有監(jiān)督圖的相似度矩陣S: S = (I +αΙ^+βΙ^) -1 (aL+PL1)， 其中，I為單位矩陣，a是K近鄰圖影響因子，β是類內(nèi)無向圖影響因子； (7) 根據(jù)類標(biāo)向量G，計(jì)算類間權(quán)重矩陣 (8) 根據(jù)有監(jiān)督圖的相似度矩陣S和類間權(quán)重矩陣W%計(jì)算投影矩陣Ε: 選取特征維數(shù)r = {5，10，. . .，50}，利用下式求解廣義特征值： XTSXa = AXT(D-yffc)Xa, 其中，a是特征向量，λ是特征值，γ是類間無向圖影響因子； 將求解得到的特征值按絕對(duì)值從大到小的順序排列，選擇前r個(gè)絕對(duì)值大的特征值對(duì) 應(yīng)的特征向量ai，順序排列得到投影矩陣E=(ai，a2, . . .，ai, . . .ar); (9) 根據(jù)投影矩陣E計(jì)算降維后的矩陣Y = XE。2. 根據(jù)權(quán)利要求1所述的基于有監(jiān)督圖的直推式數(shù)據(jù)降維方法，其特征在于， 步驟(5)中計(jì)算第二拉普拉斯矩陣L1，按如下步驟進(jìn)行： (5.1) 在不同數(shù)據(jù)庫(kù)下每類圖像隨機(jī)選取2~10幅作為標(biāo)記樣本，計(jì)算類內(nèi)無向圖的權(quán)其中^(^，幻)是W1中第i行，第j列的元素項(xiàng)，其中，Ci是樣本點(diǎn)^所在類別； (5.2) 計(jì)算第二拉普拉斯矩陣L^dM^D1為對(duì)角矩陣，該對(duì)角矩陣的第j行第j列元素 D jj = Σ iw ji。3. 根據(jù)權(quán)利要求1所述的基于有監(jiān)督圖的直推式數(shù)據(jù)降維方法，其特征在于， 步驟(7)中計(jì)算類間權(quán)重矩陣W%按如下公式計(jì)算：其中we(Xl，Xj^We中第i行，第j列的元素項(xiàng)，
【專利摘要】本發(fā)明公開了一種直推式局部保持投影數(shù)據(jù)降維方法，主要解決現(xiàn)有基于半監(jiān)督學(xué)習(xí)的數(shù)據(jù)降維方法僅利用歐氏距離進(jìn)行構(gòu)圖，識(shí)別結(jié)果不理想的問題。其實(shí)現(xiàn)步驟是：(1)輸入數(shù)據(jù)并歸一化；(2)計(jì)算歸一化后的原始矩陣及類標(biāo)向量；(3)由原始數(shù)據(jù)計(jì)算第一拉普拉斯矩陣L；(4)由類標(biāo)向量計(jì)算第二拉普拉斯矩陣Ll；(5)由第一拉普拉斯矩陣L和第二拉普拉斯矩陣Ll計(jì)算相似度矩陣S；(6)由類標(biāo)向量計(jì)算樣本的類間權(quán)重矩陣Wc；(7)由相似度矩陣S和類間權(quán)重矩陣Wc構(gòu)建廣義特征值公式并求解，得到投影矩陣E；(8)由投影矩陣E計(jì)算出降維后的樣本。本發(fā)明能有效地對(duì)數(shù)據(jù)進(jìn)行特征提取與降維，提高了數(shù)據(jù)分類識(shí)別的準(zhǔn)確率，可用于數(shù)據(jù)與圖像處理。
【IPC分類】G06K9/00, G06K9/62
【公開號(hào)】CN105678261
【申請(qǐng)?zhí)枴緾N201610008366
【發(fā)明人】王磊, 姬紅兵, 王家俊, 朱明哲, 李丹萍
【申請(qǐng)人】西安電子科技大學(xué)
【公開日】2016年6月15日
【申請(qǐng)日】2016年1月7日