离群样本划分的半监督模糊学习策略
建立一种离群样本划分的半监督模糊学习算法模型.首先,提出一种基于Hopfield参数估计的松弛条件模糊鉴别分析算法,重新定义每一个样本的隶属度,并在特征抽取的过程中,根据隶属度对散布矩阵的定义所做的贡献获得每个样本相应的类别信息,由此获得普通样本分类信息.其次,根据样本隶属度的分布信息划分出离群样本空间,将普通样本分类结果作为离群样本聚类的先验类属信息,并对该空间样本提出一种新的半监督模糊学习策略进行动态聚类.该算法同时具备了监督学习和无监督学习方法的优势,克服了传统聚类缺乏类过程知识的缺点,可以有效地解决特征空间中特殊样本的分类问题.性能分析表明,该方法优于单一的特征抽取方法,在NUST603、ORL、XM2VTS和FERET人脸数据库上的识别性能均得到有效提高.
特征抽取、模糊线性鉴别分析、离群样本、半监督学习、图像识别
17
TP391.41(计算技术、计算机技术)
国家自然科学基金项目60632050,61100116;江苏省自然科学基金项目BK2011492;中国博士后科学基金项目2011M500926;江苏省博士后科学基金项目1102063C;江苏省高校自然科学基金项目10KJB520006
2012-10-31(万方平台首次上网日期,不代表论文的发表时间)
共8页
971-978