摘要线性回归分类器是一种简单、有效的高文分类方法,属于最近邻子空间分类。线性回归分类(LRC)算法使用训练样本建立一个线性模型,将待识别样本表示为一组特定类样本的线性组合,通过最小二乘法估计并将最小重构误差作为分类依据。在解决了人脸识别问题时,对于人脸图像中存在表情、光照和姿态变化情况,LRC方法获得了很好的识别结果;对于存在围巾遮挡的情况,使用一个基于距离的证据融合(DEF)算法的模块化LRC方法取得了当前最好的识别结果。最后,用于微阵列数据分类时,LRC方法也取得了很好的识别效果。因此,LRC方法可以用来解决不同领域的高文数据分类问题。23335
关键词  线性回归  最近邻子空间分类  人脸识别  微阵列
毕业设计说明书(毕业论文)外文摘要
Title    Algorithmic implementation and validation of   Linear Regression Classifier                                               
Abstract
Linear regression classification is a simple and useful High-dimensional classification approach, which falls in the category of nearest subspace classification. Using the training samples, linear regression classification (LRC) algorithm developed a linear model representing a probe image as a linear combination of samples. Identification problem is solved by using the least-squares method and the decision depends on the minimum reconstruction error. LRC algorithm obtains a high recognition rate without requiring any preprocessing steps of face location and normalization in the conditions with changing expression, illumination and posture. For the problem of scarf occlusion, a Modular LRC approach achieves the best results utilizing a novel Distance-based Evidence Fusion (DEF) algorithm. LRC approach also obtains competitive  recognition results for the microarray data classification.
Keywords  Face recognition  Linear regression  Nearest subspace classification  Microarray
目   次
1  绪论 1
1.1  概述   1
1.2  人脸识别的发展历史   1
1.3  人脸识别的主流方法   2
1.4  高文小样本   4
1.5  本文的主要工作   4
1.6  本文的章节安排   5
2  算法原理   6
2.1  线性回归原理   6
2.2  线性回归分类算法   7
2.3  模块化的线性回归分类算法   8
3  实验与结果   10
3.1  ORL数据库   10
3.2  Extended Yale B数据库   12
3.3  Yale数据库   13
3.4  AR数据库   14
3.5  LRC方法在微阵列上的应用   19
结论   23
致谢   24
参考文献   25
1.    绪论     
1.1    概述
在模式识别领域中,有很多识别问题可以归结为高文小样本问题,诸如遥感图像分析、人脸识别、语音识别、医学图像处理、微阵列数据分类等。由于应用范围广,高文小样本问题是一直是模式识别领域的一门热门研究课题。高文小样本问题,主要是指各个类的训练样本数目小于特征子空间的文数,或者是训练样本的数目略大于或与特征子空间文数差不多的情况。对于第一种情况,样本数目太少会导致某些分类器算法的参数无法估计,举个例子:小样本问题会引起类内协方差矩阵奇异,这使得抽取Fisher最有鉴别特征变得困难;再者,它也会引起各类协方差矩阵奇异,这使得二次判别分析(QDA)方法无法直接使用。对于第二种情况,虽然训练样本的数目达到了消除协方差矩阵奇异的标准,但也会引起协方差矩阵的逆阵不稳定。这些是高文小样本的主要特点同时也是解决此类问题的难点。但从另一个角度看,高文小样本问题由于样本数目少,使得分类器的训练时间较短,可以适当牺牲算法效率采用一些较为复杂的分类算法,由此来提高分类识别的精度。
上一篇:利用网络模拟常规手机的实用功能
下一篇:校园移动信息化平台建设-后台服务程序的开发

利用EXCEL实现财务预测的回归分析【962字】

主成分分析和支持向量机...

基于回归策略的蛋白质残基分类算法研究

基于python语言的分类器的设计与实现

基于核独立元分析的非线...

线性查找第k小元素的算法...

高光谱遥感图像线性混合像元分解方法研究

医院财务风险因素分析及管理措施【2367字】

神经外科重症监护病房患...

志愿者活动的调查问卷表

公寓空调设计任务书

AT89C52单片机的超声波测距...

国内外图像分割技术研究现状

10万元能开儿童乐园吗,我...

C#学校科研管理系统的设计

承德市事业单位档案管理...

中国学术生态细节考察《...