非合作环境下基于双Lp范数优化约束的稀疏空间可拒绝模式分类模型-东篱科研大数据发现系统（DRDS）

位置：立项数据库 > 立项详情页

非合作环境下基于双Lp范数优化约束的稀疏空间可拒绝模式分类模型

项目名称：非合作环境下基于双Lp范数优化约束的稀疏空间可拒绝模式分类模型
项目类别：面上项目
批准号：61071199
申请代码：F010301
项目来源：国家自然科学基金
研究期限：2011-01-01-2013-12-31

项目负责人：胡正平
负责人职称：教授
依托单位：燕山大学
批准年度：2010

中文摘要：

以信号在某类框架下的稀疏表示为先验知识，利用低维投影表示原高维信号，是近年信号表示领域的重大突破。为解决非合作环境下高维信号空间非训练例外模式可拒绝分类问题，重点研究1依据正则化稀疏表示理论为基础，分别研究与认识覆盖分类模型以及区分鉴别分类模型相适应的Lp范数优化的正则化稀疏表示方法；2 针对训练类高维信号，根据其在正则化稀疏表示空间的几何分布情况，以稀疏性度量、最小生成树概率图等为数学工具，研究构建训练类在稀疏空间中分布范围认识覆盖模型以及覆盖的置信度描述模型，达到认识训练与非训练类模式的目的；3 针对训练类中的不同类高维信号，依据稀疏表示空间特征，构造Lp(p=0或1)范数优化SVM模型，提高训练类不同类别之间的区分鉴别能力；最后将区分鉴别模型与认识覆盖模型进行综合实现例外模式可拒绝判决。项目成果对于解决非合作环境高维信号空间可拒绝分类问题及促进正则化稀疏表示理论的发展具有重要意义。

中文主题词：稀疏表示；可拒绝分类模型；最小生成树；联合加权稀疏表示；多观测样本

英文摘要：

sparse representation；classification with reject；minimum spanning tree model；weighted joint sparse represen；multiple observation space

英文主题词： sparse representation；classification with reject；minimum spanning tree model；weighted joint sparse represen；multiple observation space

结论摘要：

课题以信号在某类框架下的稀疏表示为先验知识，主要研究(1)与分类模型相适应的Lp范数优化的正则化稀疏表示方法。(2)研究认识覆盖模型以及覆盖的置信度描述模型。(3)依据稀疏表示空间特征，构造优化分类模型。计划项目研究内容全部顺利完成，发表期刊论文20多篇，培养硕士研究生10人，并且还根据国际前沿方向的发展趋势，扩展多观测样本分类新的研究方向。针对高维空间覆盖分类模型，提出基于L1范数稀疏距离测度学习的单类分类算法、基于L1范数凸包数据描述的多观测样本分类算法以及高维空间多分辨率最小生成树模型的自适应一类分类算法，较好地解决高维空间几何覆盖分类问题。针对稀疏表示分类模型，提出基于类别相关近邻子空间的最大似然稀疏表示鲁棒模式识别算法以及基于全局和分离部件融合的双L1稀疏表示人脸图象识别算法。针对单一个体图像由于阴影、反光、遮挡以及污损等原因，实际获取的人脸图像很少能够显示这样的低秩结构，影响分类性能，提出基于低秩子空间恢复的联合稀疏表示人脸图像识别算法。针对依据稀疏表示分类的残差最小判别准则将导致子模块错误分类，提出基于Borda投票加权的子模块稀疏表示分类算法。较好地完成了计划中的稀疏表示识别计划任务。以高维信号感知稀疏表示的要求为约束，研究符合可拒绝分类模型的适应的Lp约束稀疏表示方法。为实现快速鲁棒的人脸识别算法，实现运算时间和识别精度的合理平衡，提出基于类别相关近邻子空间的最大似然稀疏表示人脸识别算法。针对高维信号空间给出的不同类别的训练类，建立训练类信号的稀疏表示字典以及稀疏性度量准则。分别构造一种基于稀疏表示结合流形距离超球覆盖的可拒绝模式识别模型，以及基于高维空间最小生成树自适应覆盖模型的多分辨率可拒绝一类分类算法。针对训练图像不能涵盖测试条件下的人脸变化这个问题，提出基于扩展差分模板的块结构化稀疏表示识别算法。针对多观测样本分类问题，提出基于L1范数凸包数据描述的多观测样本分类算法。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。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。充分利用多观测样本数据信息提高其分类性能，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。

成果综合统计