王文胜
- 作品数：5 被引量：43H指数：3
- 供职机构：南京理工大学更多>>
- 发文基金：国家自然科学基金江苏省自然科学基金更多>>
- 相关领域：自动化与计算机技术电子电信更多>>
- 一种基于奇异值分解的特征抽取方法被引量：12
- 2005年
- 特征抽取是模式识别的基本问题之一,Fisher线性鉴别分析是特征抽取中最为经典和广泛使用的方法之一。该文分析了Fisher线性鉴别分析在求解过程中可能存在的问题:鉴别矢量的分量可能是复数;特征值对扰动的敏感性;鉴别矢量之间未必具有正交性。由此提出了均衡散布矩阵的概念,并利用均衡散布矩阵构造了一种新的线性鉴别准则。利用奇异值分解定理,将求取鉴别矢量转化为对矩阵求奇异向量。用该方法进行求解可以有效地避免前述的问题。试验结果表明,该鉴别准则具有良好的鉴别能力。
- 王文胜陈伏兵杨静宇
- 关键词：特征抽取线性鉴别分析奇异值分解正交性特征值
- 人脸识别中PCA方法的推广被引量：18
- 2005年
- 主成分分析(PrincipalComponentAnalysis,PCA)是公认的特征抽取的最为重要的工具之一,目前仍然被广泛地应用在人脸等图像识别领域。基于PCA,该文提出了分块PCA的人脸识别方法。分块PCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵利用PCA进行鉴别分析。其特点是能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出。与PCA方法相比,由于使用子图像矩阵,分块PCA可以避免使用奇异值分解理论,过程简便。此外,PCA是分块PCA的特殊情况。在Yale和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上明显优于经典的PCA方法,识别率可以分别提高6.7和4个百分点。
- 陈伏兵陈秀宏王文胜杨静宇
- 关键词：主成分分析特征抽取分块PCA特征矩阵人脸识别
- A企业方舱生产线仿真建模和改善研究
- 随着全球经济一体化，市场需求的变化越来越大，企业间的竞争也不可避免的越来越激烈。企业如何实现低成本、高效率、快速响应市场需求及其变化，是企业面临的和亟待解决的问题。而生产线通过对生产工序进行合理安排，使装配资源的利用效率...
- 王文胜
- 关键词：生产线仿真建模车间管理
- 文献传递
- 图像特征抽取的奇异值分解方法被引量：15
- 2006年
- 传统的PCA方法和LDA方法在处理图像识别问题时,一般先将图像矩阵转化为图像向量,然后以该图像向量作为原始特征进行特征抽取。近来一些研究人员提出了利用图像矩阵直接构造散布矩阵,并在此基础上进行特征抽取的方法。该文在该思想的基础上,提出了IMSVD方法。该方法没有采用PCA或LDA方法,而是利用奇异值分解方法进行特征抽取。对ORL人脸图像的识别试验结果表明I,MSVD方法具有良好的特征抽取性能。
- 王文胜杨静宇陈伏兵
- 关键词：图像识别特征抽取线性鉴别分析主分量分析奇异值分解
- 不相关最佳鉴别矢量集的有效算法被引量：1
- 2006年
- 线性鉴别分析中处理小样本问题的方法有两类:①在模式识别之前,通过降低模式样本特征向量的维数达到消除奇异性的目的;②发展算法获得低维鉴别特征。将这两种方法结合起来,解决了高维小样本情况下基于广义Fisher线性鉴别准则的不相关最优鉴别矢量集的求解问题,给出了抽取最优鉴别矢量的有效算法。
- 陈伏兵王文胜谢永华杨静宇
- 关键词：特征抽取小样本问题人脸识别
