-
公开(公告)号：CN102880875A
公开(公告)日：2013-01-16
申请号：CN201210387089.2
申请日：2012-10-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于LRR图的半监督学习人脸识别方法。其步骤为：(1)划分数据库样本集；(2)组成样本集合；(3)生成初始标签矩阵；(4)低秩表示；(5)生成样本相似度矩阵；(6)生成类别概率矩阵；(7)输出测试样本的类别。本发明采用半监督学习的方法可以在已知标签样本较少的情况下获得更高的识别正确率，同时，本发明采用低秩表示的方法，在样本受到噪声污染的情况下具有更强的鲁棒性。
-
公开(公告)号：CN102542549A
公开(公告)日：2012-07-04
申请号：CN201210001721.5
申请日：2012-01-04
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于压缩感知的多光谱与全色图像超分辨融合方法。其步骤为：(1)分别输入低分辨率多光谱图像和高分辨率全色图像；(2)获得高分辨率联合采样值矩阵；(3)获得高-低观测矩阵；(4)获得高-高观测矩阵；(5)获得高分辨率联合观测矩阵；(6)学习高分辨率过完备字典；(7)获得高分辨率稀疏系数；(8)重构高分辨率多光谱图像。本发明将压缩感知技术引入到多光谱图像融合领域来，克服了现有技术中颜色失真和光谱扭曲的缺陷，融合得到的多光谱图像比高分辨率全色图像高一倍分辨率。
-
公开(公告)号：CN104008394B
公开(公告)日：2017-02-15
申请号：CN201410213709.X
申请日：2014-05-20
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于近邻边界最大的半监督高光谱数据降维方法，主要解决现有技术需要大量监督信息且降维后数据判别性差的问题。其步骤为：1.将遥感数据库样本集划分为训练数据集和标记样本集；2.生成标记样本集的散度矩阵；3.生成训练数据集的空间近邻矩阵；4.生成训练数据集的相似度矩阵；5.根据散度矩阵，通过最大边界准则构造半监督判别项；6.构造半监督正则项；7.通过最小化判别项和正则项之和获取最优投影矩阵，以实现降维。本发明采用低秩表示的流形正则和空间一致性的空间正则来构造正则项，采用空谱联合的正则策略，使得投影矩阵更加鲁棒、完备，提高了降维后数据的判别的性能，可用于高光谱数据的分类识别。
-
公开(公告)号：CN103942749A
公开(公告)日：2014-07-23
申请号：CN201410062329.0
申请日：2014-02-24
Applicant: 西安电子科技大学
IPC: G06T1/40
Abstract: 本发明属于机器学习技术领域，可用于高光谱地物分类，具体公开了一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法，主要解决了高光谱地物分类中由于标记样本少，混合像元现象，地物识别正确率不高等问题。其步骤为：首先对样本进行预处理，并把样本分为训练样本与测试样本；其次计算出训练样本的图Laplacian矩阵；再次随机的产生网络的输入权值与隐藏层偏置，利用标记样本计算网络输出权值的初始值；然后交替计算每个未标记样本属于每类的概率与网络的输出权值矩阵，直到目标函数相邻两次的差值在容许误差内；最后利用优化的模型预测测试样本标签。本方法具有较强实用性与鲁棒性，实验结果说明该发明很适合高光谱地物分类。
-
公开(公告)号：CN102880875B
公开(公告)日：2016-03-02
申请号：CN201210387089.2
申请日：2012-10-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于LRR图的半监督学习人脸识别方法。其步骤为：(1)划分数据库样本集；(2)组成样本集合；(3)生成初始标签矩阵；(4)低秩表示；(5)生成样本相似度矩阵；(6)生成类别概率矩阵；(7)输出测试样本的类别。本发明采用半监督学习的方法可以在已知标签样本较少的情况下获得更高的识别正确率，同时，本发明采用低秩表示的方法，在样本受到噪声污染的情况下具有更强的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN102902984B
公开(公告)日：2015-05-27
申请号：CN201210366079.0
申请日：2012-09-27
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于局部一致性的遥感影像半监督投影降维方法。其步骤为：(1)划分遥感影像数据集；(2)生成语义相似矩阵、近邻矩阵和局部一致性矩阵；(3)融合标签矩阵和近邻矩阵；(4)生成近邻均值向量；(5)生成相异散度矩阵、相似散度矩阵和局部一致性散度矩阵；(6)求解最优投影矩阵；(7)投影降维。本发明采用基于局部一致性约束的半监督学习方法，提高了小样本学习情况下的识别率。
-
公开(公告)号：CN102542549B
公开(公告)日：2015-02-18
申请号：CN201210001721.5
申请日：2012-01-04
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于压缩感知的多光谱与全色图像超分辨融合方法。其步骤为：(1)分别输入低分辨率多光谱图像和高分辨率全色图像；(2)获得高分辨率联合采样值矩阵；(3)获得高-低观测矩阵；(4)获得高-高观测矩阵；(5)获得高分辨率联合观测矩阵；(6)学习高分辨率过完备字典；(7)获得高分辨率稀疏系数；(8)重构高分辨率多光谱图像。本发明将压缩感知技术引入到多光谱图像融合领域来，克服了现有技术中颜色失真和光谱扭曲的缺陷，融合得到的多光谱图像比高分辨率全色图像高一倍分辨率。
-
公开(公告)号：CN104008394A
公开(公告)日：2014-08-27
申请号：CN201410213709.X
申请日：2014-05-20
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于近邻边界最大的半监督高光谱数据降维方法，主要解决现有技术需要大量监督信息且降维后数据判别性差的问题。其步骤为：1.将遥感数据库样本集划分为训练数据集和标记样本集；2.生成标记样本集的散度矩阵；3.生成训练数据集的空间近邻矩阵；4.生成训练数据集的相似度矩阵；5.根据散度矩阵，通过最大边界准则构造半监督判别项；6.构造半监督正则项；7.通过最小化判别项和正则项之和获取最优投影矩阵，以实现降维。本发明采用低秩表示的流形正则和空间一致性的空间正则来构造正则项，采用空谱联合的正则策略，使得投影矩阵更加鲁棒、完备，提高了降维后数据的判别的性能，可用于高光谱数据的分类识别。
-
公开(公告)号：CN102902984A
公开(公告)日：2013-01-30
申请号：CN201210366079.0
申请日：2012-09-27
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于局部一致性的遥感影像半监督投影降维方法。其步骤为：(1)划分遥感影像数据集；(2)生成语义相似矩阵、近邻矩阵和局部一致性矩阵；(3)融合标签矩阵和近邻矩阵；(4)生成近邻均值向量；(5)生成相异散度矩阵、相似散度矩阵和局部一致性散度矩阵；(6)求解最优投影矩阵；(7)投影降维。本发明采用基于局部一致性约束的半监督学习方法，提高了小样本学习情况下的识别率。
-
公开(公告)号：CN103942749B
公开(公告)日：2017-01-04
申请号：CN201410062329.0
申请日：2014-02-24
Applicant: 西安电子科技大学
IPC: G06T1/40
Abstract: 本发明属于机器学习技术领域，可用于高光谱地物分类，具体公开了一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法，主要解决了高光谱地物分类中由于标记样本少，混合像元现象，地物识别正确率不高等问题。其步骤为：首先对样本进行预处理，并把样本分为训练样本与测试样本；其次计算出训练样本的图Laplacian矩阵；再次随机的产生网络的输入权值与隐藏层偏置，利用标记样本计算网络输出权值的初始值；然后交替计算每个未标记样本属于每类的概率与网络的输出权值矩阵，直到目标函数相邻两次的差值在容许误差内；最后利用优化的模型预测测试样本标签。本方法具有较强实用性与鲁棒性，实验结果说明该发明很适合高光谱地物分类。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.025 seconds)
