检索结果-维普期刊中文期刊服务平台

基于低秩分解的联合动态稀疏表示多观测样本分类算法被引量：3: 1; 作者胡正平高红霄赵淑欢《电子学报》 EI CAS CSCD 北大核心 2015年第3期440-446,共7页; 通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图... 展开更多; 关键词模式识别多观测样本分类低秩矩阵恢复联合动态稀疏表示; 在线阅读下载PDF 职称材料

基于L1-Graph表示的标记传播多观测样本分类算法被引量：2: 2; 作者胡正平王玲丽《信号处理》 CSCD 北大核心 2011年第9期1325-1330,共6页; 同类样本被认为是分布在同一个高维观测空间的低维流形上,针对多观测样本分类如何利用这一流形结构的问题,提出基于L1-Graph表示的标记传播多观测样本分类算法。首先基于稀疏表示的思路构造L1-Graph,进而得到样本之间的相似度矩阵,然后... 展开更多; 关键词稀疏表示 L1-Graph 标记传播多观测样本分类; 在线阅读下载PDF 职称材料

非一致相似测度的图表示多观测样本分类算法被引量：1: 3; 作者胡正平赵艳霜荆楠《信号处理》 CSCD 北大核心 2012年第11期1587-1594,共8页; 多观测样本分类问题中,样本表示成流形上的点,针对如何利用多观测样本的流形结构提高其分类性能的问题,提出非一致相似测度的Graph表示多观测样本分类算法。首先综合数据的全局与局部结构特性,构造一个非一致相似测度,非一致相似测度主... 展开更多; 关键词模式识别非一致相似测度图表示格拉斯曼流形最近邻分类器多观测样本分类; 在线阅读下载PDF 职称材料

L1 Graph联合转换学习模型的多观测样本分类算法: 4; 作者卢辉斌胡正平高红霄《仪器仪表学报》 EI CAS CSCD 北大核心 2015年第11期2634-2640,共7页; 不同分布多观测样本分类问题中,训练样本和测试样本来自不同的域,针对如何利用转换学习提高不同分布多观测样本分类性能问题,提出L1-Graph联合转换学习的多观测样本分类算法。首先基于转换学习构建一种非负矩阵三因子分解框架,将其中不... 展开更多; 关键词稀疏表示转换学习域适应多观测样本分类; 在线阅读下载PDF 职称材料

多观测样本联合信息加权稀疏表示分类算法被引量：3: 5; 作者胡正平赵艳霜赵淑欢《信号处理》 CSCD 北大核心 2014年第4期413-421,共9页; 多观测样本分类问题中,同一对象的多观测样本均看作一个整体进行识别,其同等看待各个观测样本。考虑到其每个观测样本包含判别信息量不同,针对如何有效利用其可信度问题,提出基于观测样本联合加权稀疏表示多观测样本分类算法。首先将多... 展开更多; 关键词多观测样本分类联合稀疏表示重构样本可信度加权判别信息; 在线阅读下载PDF 职称材料

题名基于低秩分解的联合动态稀疏表示多观测样本分类算法被引量：3: 1; 作者胡正平高红霄赵淑欢; 机构燕山大学信息科学与工程学院; 出处《电子学报》 EI CAS CSCD 北大核心 2015年第3期440-446,共7页; 基金国家自然科学基金(No.61071199); 文摘通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.; 关键词模式识别多观测样本分类低秩矩阵恢复联合动态稀疏表示; Keywords pattern recognition multiple observation sets classification low-rank matrix recovery joint dynamic sparse representation; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于L1-Graph表示的标记传播多观测样本分类算法被引量：2: 2; 作者胡正平王玲丽; 机构燕山大学信息科学与工程学院; 出处《信号处理》 CSCD 北大核心 2011年第9期1325-1330,共6页; 基金国家自然科学基金(61071199) 河北省自然科学基金(F2010001297) +1 种基金第二批中国博士后基金特别资助(200902356); 文摘同类样本被认为是分布在同一个高维观测空间的低维流形上,针对多观测样本分类如何利用这一流形结构的问题,提出基于L1-Graph表示的标记传播多观测样本分类算法。首先基于稀疏表示的思路构造L1-Graph,进而得到样本之间的相似度矩阵,然后在半监督分类标记传播算法的基础上,限制所有的观测样本都属于同一个类别的条件下,得到一个具有特殊结构的类标矩阵,最后把寻找最优类标矩阵的计算转化为离散目标函数优化问题,进而计算出测试样本所属类别。在USPS手写体数据库、ETH-80物体识别数据库以及Cropped Yale人脸识别数据库上进行了一系列实验,实验结果表明了本文提出方法的可行性和有效性。; 关键词稀疏表示 L1-Graph 标记传播多观测样本分类; Keywords Sparse Representation L1-Graph Label Propagation Classification of Multiple Observation Sets; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名非一致相似测度的图表示多观测样本分类算法被引量：1: 3; 作者胡正平赵艳霜荆楠; 机构燕山大学信息科学与工程学院河北省计算机虚拟技术与系统集成重点实验室; 出处《信号处理》 CSCD 北大核心 2012年第11期1587-1594,共8页; 基金国家自然科学基金(61071199) 河北省自然科学基金(F2010001297) 第二批中国博士后科学基金特别资助(200902356); 文摘多观测样本分类问题中,样本表示成流形上的点,针对如何利用多观测样本的流形结构提高其分类性能的问题,提出非一致相似测度的Graph表示多观测样本分类算法。首先综合数据的全局与局部结构特性,构造一个非一致相似测度,非一致相似测度主要考虑类内和类间差别,能有效地体现数据实际聚类的分布特性;其次构造非一致相似测度Graph,进而得到样本之间的相似度矩阵,然后通过一个格拉斯曼联合核把最佳投影的计算转化成寻找瑞利熵的最大特征向量问题,进而得到投影矩阵。最后将本征流形上的点投影到另一个流形上,使用最近邻分类器完成分类。在ETH-80物体识别数据库、CMU-PIE人脸数据库和BANCA数据库上进行对比实验,实验结果表明该方法优于传统方法。; 关键词模式识别非一致相似测度图表示格拉斯曼流形最近邻分类器多观测样本分类; Keywords Pattern Recognition Inconsistent Similarity Measure Graphical Presentation Grassmannian Manifolds Nearest Neighbor Classifier Multiple Observation Sets Classification; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名L1 Graph联合转换学习模型的多观测样本分类算法: 4; 作者卢辉斌胡正平高红霄; 机构燕山大学信息科学与工程学院; 出处《仪器仪表学报》 EI CAS CSCD 北大核心 2015年第11期2634-2640,共7页; 基金国家自然科学基金(61071199)项目资助; 文摘不同分布多观测样本分类问题中,训练样本和测试样本来自不同的域,针对如何利用转换学习提高不同分布多观测样本分类性能问题,提出L1-Graph联合转换学习的多观测样本分类算法。首先基于转换学习构建一种非负矩阵三因子分解框架,将其中不变信息作为源域到目标域的转换桥梁;其次,基于稀疏表示思路构造L1-Graph,自适应寻找数据近邻,保留样本及特征几何结构;最后,将两个互补目标函数联合到统一优化问题中,然后利用迭代算法解决优化问题,进而估计出测试样本类别。在USPS-Binary数字数据库、Three-Domain Object Benchmark数据库和ALOI数据库上进行对比实验,实验结果表明该方法的有效性,既提高了识别精度又保证了算法鲁棒性。; 关键词稀疏表示转换学习域适应多观测样本分类; Keywords sparseness representation transfer learning domain adaptation multiple observation sets classification; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术] TH74 [机械工程—光学工程]; 在线阅读下载PDF 职称材料

题名多观测样本联合信息加权稀疏表示分类算法被引量：3: 5; 作者胡正平赵艳霜赵淑欢; 机构燕山大学信息科学与工程学院; 出处《信号处理》 CSCD 北大核心 2014年第4期413-421,共9页; 基金国家自然科学基金(61071199) 河北省自然科学基金(F2010001297); 文摘多观测样本分类问题中,同一对象的多观测样本均看作一个整体进行识别,其同等看待各个观测样本。考虑到其每个观测样本包含判别信息量不同,针对如何有效利用其可信度问题,提出基于观测样本联合加权稀疏表示多观测样本分类算法。首先将多观测样本分解成单样本,分别对各个样本进行稀疏求解得到其各自的稀疏度和残差,进而联合二者确定其相应可信度。然后给各观测样本进行可信度加权,重构出加权多观测样本。最后,再采用整体稀疏表示对其进行分类。在ETH-80物体数据库、CMU-PIE人脸数据库和BANCA数据库上进行大量对比实验,实验结果证明该算法的有效性,提高识别精度的同时使算法的鲁棒性得到保证。; 关键词多观测样本分类联合稀疏表示重构样本可信度加权判别信息; Keywords multiple observation sets classification joint sparse representation reconstructed samples reliability weighted discriminative information; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于低秩分解的联合动态稀疏表示多观测样本分类算法	胡正平高红霄赵淑欢	《电子学报》 EI CAS CSCD 北大核心	2015	3	在线阅读下载PDF 职称材料
2	基于L1-Graph表示的标记传播多观测样本分类算法	胡正平王玲丽	《信号处理》 CSCD 北大核心	2011	2	在线阅读下载PDF 职称材料
3	非一致相似测度的图表示多观测样本分类算法	胡正平赵艳霜荆楠	《信号处理》 CSCD 北大核心	2012	1	在线阅读下载PDF 职称材料
4	L1 Graph联合转换学习模型的多观测样本分类算法	卢辉斌胡正平高红霄	《仪器仪表学报》 EI CAS CSCD 北大核心	2015	0	在线阅读下载PDF 职称材料
5	多观测样本联合信息加权稀疏表示分类算法	胡正平赵艳霜赵淑欢	《信号处理》 CSCD 北大核心	2014	3	在线阅读下载PDF 职称材料