-
题名基于图像协方差无关的增量特征提取方法研究
被引量：5
- 1
-
-
作者
王肖锋
孙明月
葛为民
-
机构
天津理工大学天津市先进机电系统设计与智能控制重点实验室
天津理工大学机电工程国家级实验教学示范中心
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2019年第11期2768-2776,共9页
-
基金
国家重点研发计划(2017YFB1303304)
天津市科技计划重大专项(17ZXZNGX00110)
天津市自然科学重点基金(16JCZDJC30400)~~
-
文摘
针对2维主成分分析(2DPCA)算法无法实现在线特征提取及无法体现完整数据结构信息等问题,该文提出一种基于图像协方差无关的增量式2DPCA(I2DPCA)算法。该算法无需对图像协方差矩阵进行特征值分解奇异值分解,复杂度将大为降低,提高了特征提取速度。针对I2DPCA仅提取了横向特征的问题,又提出一种增量式行列顺序2DPCA(IRC2DPCA)算法,该算法对I2DPCA的特征矩阵再次进行纵向特征提取,保留了图像的横向与纵向结构信息,实现了行列两个方向上的特征提取与数据降维。最后,以自建的物块数据集、通用的ORL和Yale人脸数据集分别进行对比实验,结果表明,该文算法在收敛率、分类率及复杂度等性能方面均得到了显著提高,其收敛率达到99%以上,分类率可达97.6%,平均处理速度为29帧/s,能够满足增量特征提取的实时处理需求。
-
关键词
模式识别
协方差无关
特征提取
增量学习
2维主成分分析
-
Keywords
Pattern recognition
Covariance-free
Feature extraction
Incremental learning
Two-Dimensional Principal Component Analysis(2DPCA)
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名一种解决大规模数据集问题的核主成分分析算法
被引量：22
- 2
-
-
作者
史卫亚
郭跃飞
薛向阳
-
机构
复旦大学计算机科学与技术系
-
出处
《软件学报》
EI
CSCD
北大核心
2009年第8期2153-2159,共7页
-
基金
国家高技术研究发展计划(863)No.2007AA01Z176
国家教育部科学技术研究重点项目No.104075
国家科技支撑计划No.2007BAH09B03~~
-
文摘
提出一种大规模数据集求解核主成分的计算方法.首先使用Gram矩阵生成一个Gram-power矩阵,根据线性代数的理论可知,新形成的矩阵和原先的Gram矩阵具有相同的特征向量.因此,可以把Gram矩阵的每一列看成核空间迭代算法的输入样本,这样,无须使用特征分解即可迭代地计算出核主成分.该算法的空间复杂度只有O(m);在大规模数据集的情况下,时间复杂度也降低为O(pkm).实验结果表明了所提出算法的有效性.更为重要的是,在大规模数据集的情况下,当传统的特征分解技术无法使用时,该方法仍然可以提取非线性特征.
-
关键词
核主成分分析
GRAM矩阵
大规模数据集
协方差无关
特征分解
-
Keywords
KPCA （kernel principal component analysis）
Gram matrix
large-scale data set
covariance-free
eigen-decomposition
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于增量式双向主成分分析的机器人感知学习方法研究
被引量：15
- 3
-
-
作者
王肖锋
张明路
刘军
-
机构
河北工业大学机械工程学院
天津市先进机电系统设计与智能控制重点实验室
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2018年第3期618-625,共8页
-
基金
国家自然科学基金(61503119
61473113)
+2 种基金
天津市自然科学基金(15JCYBJC19800
16JCZDJC30400)
天津市智能制造科技重大专项(15ZXZNGX00090)~~
-
文摘
针对直观协方差无关增量式主成分分析算法(CCIPCA)需要满足零均值高斯分布的问题,该文提出含均值差向量更新的泛化CCIPCA算法(GCCIPCA),拓展了算法的适用范围。其次,针对机器人感知学习存在的在线增量计算及有效数据降维等问题,将GCCIPCA的增量思想引入到现有的双向主成分分析算法(BDPCA),提出基于增量式BDPCA(IBDPCA)的机器人感知学习方法。该方法直接针对图像矩阵行列方向的类散度矩阵进行迭代估计,具有一定的泛化能力和快速的增量学习能力,提高了实时处理速度。最后,以机器人待抓取物块作为感知对象进行实验,结果表明所提算法能够满足机器人感知学习的实时处理需求,相比现有的增量式主成分分析算法,在收敛率、分类识别率、计算时间及所需内存等性能方面均得到显著提升。
-
关键词
机器人感知学习
增量学习
数据降维
直观协方差无关增量式主成分分析
双向主成分分析
-
Keywords
Robot perceptual learning
Incremental learning
Dimension reduction
Candid Covariance-freeIncremental PCA （CCIPCA）
Bi-Directional PCA （BDPCA）
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名两种改进的IPCA算法
被引量：1
- 4
-
-
作者
李晨
李庆风
范剑波
-
机构
宁波工程学院电子与信息工程学院
-
出处
《计算机应用与软件》
CSCD
北大核心
2014年第6期303-307,共5页
-
文摘
随着互联网的迅速发展以及随之带来的数据量指数级增长,与协方差矩阵计算无关的增量式主元分析方法相对传统的批处理方式的主元分析方法更加具有优势。针对现有的增量式主元分析方法中存在的误差积累问题,提出两种改进算法。实验表明,两种改进算法显著提升了主元估计值的收敛性以及特征值估计值的收敛性,这对于增量式主元分析方法的现实应用是很有意义的。
-
关键词
主元分析
增量式主元分析
协方差矩阵无关
人脸识别
-
Keywords
Principal component analysis Incremental principal component analysis Covariance matrix-free Face recognition
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
