一种面向鉴别的具有统计不相关性的局部保持投影方法技术

本发明专利技术涉及一种面向鉴别的具有统计不相关性的局部保持投影方法，包括：加权邻接 图构造模块、训练样本的矩阵构造模块、投影矩阵获得模块和数据分类模块。本发明专利技术在构 造加权邻接图时，引入了训练数据的类别信息，可以更准确地刻画数据间的关系，而且本 发明专利技术可以提取出满足统计不相关性的特征，从而提取的特征能够在保留原始数据空间的局 部信息的同时，具有最小的冗余，应用到识别问题中，可以提高识别性能。本发明专利技术可应用 于视频监控系统、视频会议系统、军事目标跟踪识别系统等各类民用及军用系统中，具有 广阔的市场前景和应用价值。

【技术实现步骤摘要】

本专利技术属于模式识别
，特别涉及。
技术介绍
作为模式识别关键技术之一的特征提取方法，是将原始的高维数据映射到一个低维的特征空间，这已经成为机器学习和模式识别的一个研究热点。常用的特征提取方法可以分为两类基于全局结构信息的分析方法和基于局部结构信息的分析方法。在基于全局结构信息的分析方法中，主成分分析方法(PCA)是一种经典的特征提取和数据表示技术，它保留了原始数据空间的全局结构，而且投影矩阵任意两个互异的基向量是统计不相关的。不相关是模式识别中非常重要的特性，不相关能使数据具有最小的冗余。局部保持投影方法(LPP)基于数据的局部结构进行分析，是最近发展的一种线性的特征提取方法，算法简单且易于实现，其方法是首先构造原始数据的邻接图，建立图的拉普拉斯矩阵，然后以在原始空间中距离接近的两个数据点，投影后在特征空间中的距离更近为准则，求得变换矩阵，获取数据集的局部结构信息。 经对现有技术文献的检索发现，X.He等人在《IEEE Trans.on Pattern Analysis andMachine Intelligence》(模式分析与机器智能IEEE杂志，2005，vol.27，no.3，pp.328-340)上发表的文章“Face Recognition Using Laplacianfaces”(基于拉普拉斯脸的人脸识别方法)中，首先提出了局部保持投影特征提取方法。文章通过实验说明，该方法能够得到优于主成分分析的识别结果。但是，局部保持投影方法的投影矩阵的基向量是统计相关的，因此提取的特征含有冗余，交迭的信息会导致特征的实际分布发生歪曲，这个缺点严重影响了局部保持投影算法的性能。另外，局部保持投影方法没有用到类别信息，是一种无监督的特征提取方法，而对于模式识别问题，类别信息一般都非常重要。因此寻求具有重要的意义。在进一步的检索中尚未发现面向鉴别的具有统计不相关性的局部保持投影方法。
技术实现思路
本专利技术所要解决的技术问题是提供，使其用于模式识别，能够提高识别的精度。 本专利技术解决其技术问题所采用的技术方案是提供，包括加权邻接图构造模块、训练样本的矩阵构造模块、投影矩阵获得模块和数据分类模块，其中 加权邻接图构造模块将每个训练样本作为一个顶点，建立一个加权邻接图，根据类别信息获得任意两个顶点间的相似性权值，并将相似性权值传输给训练样本的矩阵构造模块； 训练样本的矩阵构造模块接收相似性权值并根据最近邻原则，使得每个顶点都只与其相似性权值最小的若干个顶点连接，建立训练样本的相似矩阵，再由训练样本的相似矩阵建立训练样本的度矩阵、图的拉普拉斯矩阵，并将上述矩阵传输给投影矩阵获得模块； 投影矩阵获得模块接收度矩阵和图的拉普拉斯矩阵，再根据局部保持投影方法，加入统计不相关性的约束条件，通过迭代过程，解特征值问题，每次迭代选取最小的特征值对应的特征向量，最后将这些特征向量作为基向量，构成面向鉴别的具有统计不相关性的局部保持投影矩阵，并将投影矩阵传输给数据分类模块； 数据分类模块接收投影矩阵、输入的训练数据和测试数据，并将训练数据和测试数据投影到投影矩阵中，获得训练系数矩阵和测试系数矩阵，采用最小距离分类器，识别出测试数据所属的类别。 所述加权邻接图构造模块，其根据类别信息获得任意两个顶点间的相似性权值，是指设每个训练样本代表一个顶点xi，建立任意两个顶点之间的相似性权值，这些相似性权值可以表示成 相似性权值的构造利用了训练数据的类别信息，较好地反映了相连接的两个数据点间的相似程度，相似性权值越大说明这两个数据点越相似，越有可能属于同一类别。 所述训练样本的矩阵构造模块，其建立训练样本的相似矩阵、度矩阵、图的拉普拉斯矩阵，具体如下 矩阵构造模块接收相似性权值，在相似性权值中按照最近邻原则，找出每个顶点的k个近邻顶点，即找出与顶点xi间的相似性权值最小的前k个顶点，使得顶点xi只与这k个顶点连接，建立训练数据集的相似矩阵W，W的元素表示为 顶点xi的度为n为训练数据点的个数，建立邻接图的度矩阵为D＝diag(d1，d2，…，dn)，建立图的拉普拉斯矩阵为L＝D-W，即 所述投影矩阵获得模块，其通过迭代过程，解特征值问题，获得面向鉴别的具有统计不相关性的局部保持投影矩阵，是指设训练样本集X＝{x1，x2，…，xn}，ST＝E[(X-EX)(X-EX)T]为训练样本的协方差阵，记SL＝XLXT，SD＝XDXT。局部保持投影方法的投影矩阵可以通过求解如下特征值问题的特征向量获得 SLφ＝λSDφ(4) 其中，φ为特征值λ对应的特征向量。 然后引入统计不相关的约束条件 采用拉格朗日乘子法，联合以上条件进行求解。 设{φ1，φ2，…，φk-1}是已求得的前k-1个投影基向量，记Φk-1＝[φ1，φ2，…，φk-1]，则满足统计不相关性的投影向量φk，可以按照如下步骤迭代获得 (a)矩阵SD-1SL的最小特征值对应的特征向量作为投影向量φ1。 (b)求解如下特征方程的特征值，并取最小特征值对应的特征向量作为不相关的投影向量φk。 R(k)SLφ＝λSDφ (5) 其中， (c)重复第(b)步，直至得到d个满足统计不相关性的向量{φ1，φ2，…，φd}。 最后，得到面向鉴别的具有统计不相关性的局部保持投影矩Φ＝[φ1，φ2，...，φd]。 有益效果 本专利技术在构造加权邻接图时，引入了训练数据的类别信息，可以更准确地刻画数据间的关系，而且本专利技术可以提取出满足统计不相关性的特征，从而提取的特征能够在保留原始数据空间的局部信息的同时，具有最小的冗余，应用到识别问题中，可以提高识别性能。 本专利技术可应用于视频监控系统、视频会议系统、军事目标跟踪识别系统等各类民用及军用系统中，具有广阔的市场前景和应用价值。 附图说明 图1为本专利技术方法的工作流程。 图2为本专利技术方法在航天器图像库中进行识别的结果与直接用矩特征进行识别，分别用线性鉴别分析方法(LDA)及局部保持投影方法(LPP)进行识别的结果比较图。其中横坐标为最近邻个数，纵坐标为识别率。 具体实施例方式 下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。 本实施例应用于对STK模型库中的航天器模型进行识别，STK是美国AGI公司出品的卫星仿真工具包，此工具包不但可以对卫星的轨道、姿态和通信链路进行计算，还可以根据真实的星历信息计算各天体的位置和实际的光照。此外，工具包内包含很多天体表面纹理信息和航天器模型，因而可以对空间视景进行模拟。 在仿真中，从STK模型库中选取了4类有代表性的航天器模型，利用STK8.0计算得到航天器模拟图像，每类航天器模型有100幅图像。计算每幅图像的Hu不变矩作为观测数据进行实验。 如图1所示，将观测数据分为训练数据集和测试数据集，然后进行如下操作 步骤一，构造加权邻接图 邻接图中的每个顶点xi对应于航天器训练数据集中的一本文档来自技高网...

【技术保护点】
一种面向鉴别的具有统计不相关性的局部保持投影方法，其特征在于，包括下列模块：　（１）加权邻接图构造模块：将每个训练样本作为一个顶点，建立一个加权邻接图，根据类别信息获得任意两个顶点间的相似性权值，并将相似性权值传输给训练样本的矩阵构造 模块；　（２）训练样本的矩阵构造模块：接收相似性权值并根据最近邻原则，使得每个顶点都只与与其相似性权值最小的顶点连接，建立训练样本的相似矩阵，再由训练样本的相似矩阵建立训练样本的度矩阵、图的拉普拉斯矩阵，并将上述矩阵传输给投影矩阵获得 模块；　（３）投影矩阵获得模块：接收度矩阵和图的拉普拉斯矩阵，再根据局部保持投影方法，加入统计不相关性的约束条件，通过迭代过程，解特征值问题，每次迭代选取最小的特征值对应的特征向量，最后将这些特征向量作为基向量，构成面向鉴别的具有统计 不相关性的局部保持投影矩阵，并将投影矩阵传输给数据分类模块；　（４）数据分类模块：接收投影矩阵、输入的训练数据和测试数据，并将训练数据和测试数据投影到投影矩阵中，获得训练系数矩阵和测试系数矩阵，采用最小距离分类器，识别出测试数据所属的 类别。

【技术特征摘要】
1.一种面向鉴别的具有统计不相关性的局部保持投影方法，其特征在于，包括下列模块(1)加权邻接图构造模块将每个训练样本作为一个顶点，建立一个加权邻接图，根据类别信息获得任意两个顶点间的相似性权值，并将相似性权值传输给训练样本的矩阵构造模块；(2)训练样本的矩阵构造模块接收相似性权值并根据最近邻原则，使得每个顶点都只与与其相似性权值最小的顶点连接，建立训练样本的相似矩阵，再由训练样本的相似矩阵建立训练样本的度矩阵、图的拉普拉斯矩阵，并将上述矩阵传输给投影矩阵获得模块；(3)投影矩阵获得模块接收度矩阵和图的拉普拉斯矩阵，再根据局部保持投影方法，加入统计不相关性的约束条件，通过迭代过程，解...

【专利技术属性】
技术研发人员：孙韶媛，方建安，谷小婧，
申请(专利权)人：东华大学，
类型：发明
国别省市：31