-
公开(公告)号：CN112966734A
公开(公告)日：2021-06-15
申请号：CN202110235175.0
申请日：2021-03-03
Applicant: 扬州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于分数阶谱的判别多重集典型相关分析方法，包括1）定义每组训练样本的投影方向；2）计算训练样本的互协方差矩阵和类内散布矩阵；3）互协方差矩阵做奇异值分解，类内散布矩阵做特征值分解；4）构建分数阶互协方差矩阵和分数阶类内散布矩阵；5）构建FLMCCA的最优化模型；6）求解特征向量问题；7）利用特征向量形成每组数据的投影矩阵；8）采用串行特征融合策略对投影后的特征进行融合，并选取不同数量的图像做训练和测试，计算识别率。本发明通过引入分数阶参数构建了分数阶类内散布矩阵和分数阶互协方差矩阵，减小因噪声干扰和有限训练样本带来的真实值偏离，从而增强了所抽低维特征的判别力，提高了系统识别的准确率。
-
公开(公告)号：CN112966735B
公开(公告)日：2023-09-12
申请号：CN202110235178.4
申请日：2021-03-03
Applicant: 扬州大学
IPC: G06F18/25 , G06F18/214 , G06F18/213 , G06F17/16 , G06F17/18
Abstract: 本发明公开了一种基于谱重建的监督多集相关特征融合方法，包括1）定义训练样本集的投影方向；2）计算训练样本的组间类内相关矩阵和自协方差矩阵；3）组间类内相关矩阵做奇异值分解，自协方差矩阵做特征值分解；4）重构分数阶组间类内相关矩阵和分数阶自协方差矩阵；5）构建FDMCCA的最优化模型；6）求解特征向量矩阵，形成投影矩阵；7）融合降维后的特征；8）选取不同数量的图像分别做训练集和测试集，计算识别率。本发明能够有效地处理多个视图数据的信息融合问题，同时分数阶参数的引入削弱了因噪声干扰和有限训练样本带来的影响，提高了系统识别的准确率。
-
公开(公告)号：CN112966734B
公开(公告)日：2023-09-15
申请号：CN202110235175.0
申请日：2021-03-03
Applicant: 扬州大学
Abstract: 本发明公开了一种基于分数阶谱的判别多重集典型相关分析方法，包括1）定义每组训练样本的投影方向；2）计算训练样本的互协方差矩阵和类内散布矩阵；3）互协方差矩阵做奇异值分解，类内散布矩阵做特征值分解；4）构建分数阶互协方差矩阵和分数阶类内散布矩阵；5）构建FLMCCA的最优化模型；6）求解特征向量问题；7）利用特征向量形成每组数据的投影矩阵；8）采用串行特征融合策略对投影后的特征进行融合，并选取不同数量的图像做训练和测试，计算识别率。本发明通过引入分数阶参数构建了分数阶类内散布矩阵和分数阶互协方差矩阵，减小因噪声干扰和有限训练样本带来的真实值偏离，从而增强了所抽低维特征的判别力，提高了系统识别的准确率。
-
公开(公告)号：CN112966735A
公开(公告)日：2021-06-15
申请号：CN202110235178.4
申请日：2021-03-03
Applicant: 扬州大学
Abstract: 本发明公开了一种基于谱重建的监督多集相关特征融合方法，包括1）定义训练样本集的投影方向；2）计算训练样本的组间类内相关矩阵和自协方差矩阵；3）组间类内相关矩阵做奇异值分解，自协方差矩阵做特征值分解；4）重构分数阶组间类内相关矩阵和分数阶自协方差矩阵；5）构建FDMCCA的最优化模型；6）求解特征向量矩阵，形成投影矩阵；7）融合降维后的特征；8）选取不同数量的图像分别做训练集和测试集，计算识别率。本发明能够有效地处理多个视图数据的信息融合问题，同时分数阶参数的引入削弱了因噪声干扰和有限训练样本带来的影响，提高了系统识别的准确率。
-
-
-
Search Results
4
records
(took 0.017 seconds)
