基于非线性距离和夹角组合的最近特征空间嵌入方法
【出 处】:
【作 者】:
杜弘彦
王士同
李滔
【摘 要】最近特征空间嵌入NFSE方法在训练过程中选取最近特征空间时采用传统的欧氏距离度量会导致类内离散度和类间离散度变化同步;测试时,最近邻规则也使用欧氏距离度量,而高维空间样本间直线距离具有趋同性.这些都会降低识别率,为解决此问题,提出了基于非线性距离和夹角组合的最近特征空间嵌入方法.在训练阶段,该方法使用非线性距离度量选取最近特征空间,使类内离散度的变化速度远小于类间离散度的变化速度,从而使转换空间中同类样本距离更小,不同类样本距离更大.在匹配阶段,使用结合夹角度量的最近邻分类器,充分利用样本相似性与样本夹角的关系,更适合高维空间中样本分类.仿真实验表明,基于非线性距离和夹角组合的最近特征空间嵌入方法的性能总体上优于对比算法.
相关热词搜索: 人脸识别 非线性距离 夹角 最近特征空间嵌入 拉普拉斯脸
上一篇: 基于SQP局部搜索的多子群果蝇优化算法
下一篇: 一种融合社会化标注系统中主题域相似的个性化排序方法