位置:成果数据库 > 期刊 > 期刊详情页
Novel Method of Mining Classification Information for SVM Training
  • ISSN号:0372-2112
  • 期刊名称:《电子学报》
  • 时间:0
  • 分类:TP391.4[自动化与计算机技术—计算机应用技术;自动化与计算机技术—计算机科学与技术]
  • 作者机构:[1]西安电子科技大学计算机学院,陕西西安710071, [2]洛阳师范学院信息技术学院,河南洛阳471022, [3]华中科技大学控制科学与工程系,湖北武汉430074
  • 相关基金:基金项目:国家自然科学基金资助项目(61070137,60933009).
中文摘要:

为了在保持数据局部几何结构不变的同时使数据分类边界最大化,提出了一种用于分类的线性局部切空间判别分析算法.该算法是改进的流形学习算法的监督版,样本的局部切空间排列矩阵确保样本低维嵌入的局部几何结构不变;基于最大边界准则的数据散度矩阵确保数据分类的类内散度最小和类间散度最大;对上述2个矩阵和进行特征分解,获得平衡的投影向量基,使样本投影后的子空间被优化.对Yale,UMIST与MIT这3个人脸数据库的实验结果表明,与现有多种经典分类方法相比,提出的算法在降维的同时提取了用于人脸识别的更有效特征,识别性能较好,具有较高的判别分析能力.

英文摘要:

A novel algorithm, called linear local tangent space discriminant analysis (LLTSDA), is proposed for classification, which is motivated by the desire to preserve the local geometry structure of data and to maximize the classification margin of data. The proposed algorithm is a supervised and modified manifold learning algorithm. The matrix of local tangent space alignment preserves the local geometry structure of data in low-dimensional embedded space; while the scatter matrix can ensure the within-class scatter minimization and the between-class scatter maximization; and a trade-off projected vector base can be taken by solving the generalized eigenvalue problem to the summation of above both matrices. Compared with classical classification methods, the experimental results from Yale, UMIST (University of Manchester Institute of Science and Technology) and MIT face databas- es show that LLTSDA algorithm can extract the more efficient features for face recognition while the dimensionality is reduced, and obtains much higher recognition accuracies and stronger classification power,

同期刊论文项目
期刊论文 70 会议论文 14 专利 3 著作 1
期刊论文 35 会议论文 4 专利 1
同项目期刊论文
期刊信息
  • 《电子学报》
  • 中国科技核心期刊
  • 主管单位:中国科学技术协会
  • 主办单位:中国电子学会
  • 主编:郝跃
  • 地址:北京165信箱
  • 邮编:100036
  • 邮箱:new@ejournal.org.cn
  • 电话:010-68279116 68285082
  • 国际标准刊号:ISSN:0372-2112
  • 国内统一刊号:ISSN:11-2087/TN
  • 邮发代号:2-891
  • 获奖情况:
  • 2000年获国家期刊奖,2000年获国家自然科学基金志项基金支持,中国期刊方阵“双高”期刊
  • 国内外数据库收录:
  • 美国化学文摘(网络版),荷兰文摘与引文数据库,美国工程索引,美国剑桥科学文摘,日本日本科学技术振兴机构数据库,中国中国科技核心期刊,中国北大核心期刊(2004版),中国北大核心期刊(2008版),中国北大核心期刊(2011版),中国北大核心期刊(2014版),英国英国皇家化学学会文摘,中国北大核心期刊(2000版)
  • 被引量:57611