版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、特征提取是模式識(shí)別領(lǐng)域中的一個(gè)關(guān)鍵問題,它強(qiáng)烈地影響著分類器的設(shè)計(jì)及其性能.特征提取的基本任務(wù)是如何從眾多特征中找出最有效的特征.現(xiàn)有的特征提取方法主要有基于統(tǒng)計(jì)的特征提取(主分量分析(PCA)和Fisher線性判別分析(FLDA)是兩種最常用的方法)、基于知識(shí)的特征提取及基于神經(jīng)網(wǎng)絡(luò)的特征提取等.在本文中,我們?cè)赑CA和FLDA方法的基礎(chǔ)上提出了兩類特征提取新方法,即基于矩陣模式和基于子向量的特征提取方法,并隨后用于模式的分類.現(xiàn)普遍
2、使用的PCA、FLDA方法,是針對(duì)向量模式進(jìn)行的特征提取和降維方法,亦即,所有的模式都要進(jìn)行向量化的操作,因此對(duì)于矩陣表示的模式(如圖像)就必須首先將其轉(zhuǎn)換成向量.這種方法存在著兩個(gè)主要的缺點(diǎn):1)矩陣模式中對(duì)分類有用的結(jié)構(gòu)信息很可能會(huì)因?yàn)橄蛄炕牟僮鞫獾狡茐?2)向量化的操作極大的增加了特征提取及隨后識(shí)別的運(yùn)算復(fù)雜度.我們提出的基于矩陣表示模式的特征提取方法(MatPCA和MatFLDA),不僅能直接處理向量表示的模式更能處理矩陣表
3、示的模式,因此避免了上述問題.另外對(duì)于向量表示的模式,我們通過矩陣化重組將其轉(zhuǎn)化成矩陣表示的形式,然后使用MatPCA和MatFLDA方法進(jìn)行特征提取.前面提到的MatPCA和MatFLDA是將向量表示的模式轉(zhuǎn)換成矩陣表示的模式后再分別進(jìn)行PCA和FLDA的方法,它具有先組合后提取的過程.而作為相反方向,我們考慮能否將向量表示的模式分成若干個(gè)子向量再進(jìn)行PCA和FLDA呢.在該文的后一部分,我們就對(duì)此進(jìn)行了研究,提出了具有先分解后提取過
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 局部型子模式特征提取方法探討及人臉識(shí)別應(yīng)用.pdf
- 基于NAM的多子模式圖像表示和檢索方法研究.pdf
- 基于Gouraud陰影法和多子模式的NAM圖像表示方法研究.pdf
- 基于可重疊矩形子模式的圖像表示和操作方法研究.pdf
- 基于子模式和方法簽名的設(shè)計(jì)模式挖掘方法研究.pdf
- 基于電子鼻的特征提取及模式分類方法研究.pdf
- 多路脈象信號(hào)的特征提取與模式分類.pdf
- 基于稀疏表示的特征提取與分類方法研究.pdf
- 基于詞和基本短語模式的特征提取方法.pdf
- 基于時(shí)頻分析的特征提取與模式分類方法研究.pdf
- 基于張量的心電特征提取及模式分類方法研究.pdf
- 基于局部二值模式和灰度共生矩陣的紋理特征提取技術(shù)研究.pdf
- 基于時(shí)間序列分析的GPR數(shù)據(jù)特征提取與模式分類研究.pdf
- 基于時(shí)頻特征提取和支持向量分類的主動(dòng)目標(biāo)識(shí)別.pdf
- 基于分層稀疏表示的特征提取方法及其應(yīng)用.pdf
- 基于稀疏表示和特征提取的癲癇腦電分類識(shí)別方法研究.pdf
- 圖像的特征提取和分類.pdf
- 基于運(yùn)動(dòng)想象的腦機(jī)接口特征提取與模式分類方法研究.pdf
- 運(yùn)動(dòng)想象腦機(jī)接口的特征提取與模式分類研究.pdf
- 特征提取和模式分類問題在人臉識(shí)別中的應(yīng)用與研究.pdf
評(píng)論
0/150
提交評(píng)論