国家自然科学基金(60775011)
- 作品数：9 被引量：22H指数：3
- 相关作者：张鸿宾郑逢德蒋强荣郭萌魏磊更多>>
- 相关机构：北京工业大学更多>>
- 发文基金：国家自然科学基金北京市教育委员会科技发展计划北京市教委科技发展计划更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于直方图交核的人脸识别
- 2011年
- 基于传统直方图交核(HI)提出了轮廓直方图交核(PHI)以及局部直方图交核(DHI),并将这2种核用于ORL和YALE人脸库的识别.实验结果表明,构造的局部直方图交核(DHI)比那些传统的直方图交核获得了更高的识别率.
- 蒋强荣高远张鸿宾
- 关键词：人脸识别特征提取支持向量机
- 双支持向量回归的牛顿算法被引量：1
- 2013年
- 为提高支持向量回归的运算速度,提出一种双支持向量回归的牛顿算法。求解2个只带一组约束的支持向量问题,以减少运算量,将2个约束优化问题转化为无约束最优化问题,并采用牛顿迭代算法求解。实验结果表明,在保证与支持向量回归和双支持向量回归拟合能力相当的同时,该算法能减少训练时间。
- 郑逢德张鸿宾
- 关键词：模式识别支持向量回归无约束优化
- 在线Lagrangian支撑向量回归
- 2013年
- 为快速求解在线支撑向量回归算法,给出了一种基于Lagrangian支撑向量回归(LSVR)的在线增量学习算法.LSVR得到的无约束最优化问题可以采用快速迭代算法求解,该迭代算法可以从任何初始点收敛.LSVR求解时,在迭代开始只需要对阶数为输入样本数加一的矩阵求逆.在线增量LSVR学习算法在线性情况下采用S-M-W公式可以明显减少运算时间,在非线性情况下矩阵求逆充分利用了历史学习结果,减少了很多重复计算.通过在多个数据集上进行对比,实验结果表明:该算法与以前算法相比不仅保持了较好的精度,同时训练时间大大减少.
- 郑逢德张鸿宾
- 关键词：支撑向量回归迭代算法
- Lagrange双支撑向量回归机被引量：1
- 2011年
- 提出一种快速的支撑向量回归算法。首先将支撑向量回归的带有两组约束的二次规划问题转化为两个小的分别带有一组约束的二次规划问题,而每一个小的二次规划问题又采用一种快速迭代算法求解,该迭代算法能从任何初始点快速收敛,避免了二次优化问题求解,因此能显著提高训练速度。在多个标准数据集上的实验表明,该算法比传统支撑向量机快很多,同时具有良好的泛化性能。
- 郑逢德张鸿宾
- 关键词：支撑向量回归迭代算法
- 核扩展判定及核扩展方法
- 2010年
- 给出一种判定模式识别算法能否核扩展的方法,该方法具有不被算法具体形式所限制的优点.传统核扩展方法是通过将输入数据映射到特征空间,然后在特征空间运行原始算法,得到相应的核方法.给出另外一种核扩展策略,与传统核扩展方法具有等价性.分析及试验过程都表明,本文的核扩展方法具有可行性.
- 郑逢德张鸿宾
- 关键词：模式识别核方法KPCA
- 二值图像中的数据隐藏算法被引量：12
- 2009年
- 本文证明了在一个m×n的二值图像块中至多改变1个像素时所能隐藏的比特数的上界为﹂(log2(mn+1)」,并实际构造了达到此上界的信息隐藏算法.文中归纳了一些选择修改像素位置的规则,较好地保持了数据嵌入后图像的质量.对算法的鲁棒性和安全性进行了分析.用3个例子—数字手写签名中认证信息的嵌入、二值电子文档的窜改检测和卡通图像中注释信息的嵌入说明了本文算法可能的应用.
- 郭萌张鸿宾魏磊
- 关键词：数据隐藏数字水印图像认证二值图像
- 基于生成树的人脸识别被引量：1
- 2012年
- 为了提高人脸识别的准确率,研究了基于生成树核的人脸识别.定义了最大生成树的概念,7个生成树核和3个基于直方图核和生成树核的复杂核,并给出了人脸图像的图示,阐述了人脸图像转化成图的过程.实验结果表明,生成树核的性能优于通路核.
- 蒋强荣张鸿宾路倩倩
- 关键词：人脸识别最小生成树支撑向量机
- 拉格朗日支持向量回归的有限牛顿算法被引量：3
- 2012年
- 拉格朗日支持向量回归是一种有效的快速回归算法,求解时需要对维数等于样本数加一的矩阵求逆,求解需要较多的迭代次数才能收敛。采用一种Armijo步长有限牛顿迭代算法求解拉格朗日支持向量回归的优化问题,只需有限次求解一组线性等式而不需要求解二次规划问题,该方法具有全局收敛和有限步终止的性质。在多个标准数据集上的实验验证了所提算法的有效性和快速性。
- 郑逢德张鸿宾
- 关键词：支持向量回归迭代算法
- 一种基于边界约束的流形展开方法被引量：4
- 2010年
- 在流形学习的谱方法中,流形展开被表述为优化问题.这些优化问题的解是退化的,即所有的样本将被嵌入到同一个点.为了避免退化解,谱方法对嵌入坐标人为地强加了一个单位协方差矩阵约束.然而,该约束往往导致流形展开的失真非常明显.本文提出一种新的流形学习方法,彻底抛弃了人为的单位协方差矩阵约束.主要思路是先对流形边界进行嵌入,然后再求流形内部的嵌入;流形边界的嵌入位置被确定后,流形内部样本的嵌入位置将被边界拉开,使得它们不会都收缩到一个点上,从而避免了退化解的出现.将流形边界的嵌入位置作为边界条件,求解一个线性方程组来得到内部样本的嵌入;该线性方程组反映了尽量保持邻近样本间距离不变的要求.流形边界的嵌入由简化流形的嵌入求出;为此,本文还设计了一种流形边界检测算法以及一种流形简化算法.与目前代表性的几种流形学习方法进行了比较实验,结果表明了本文方法的有效性,其展开失真比谱方法明显要小.
- 刘波张鸿宾
- 关键词：流形学习非线性降维谱方法
