一种多类问题的半监督学习算法.docxVIP

一种多类问题的半监督学习算法 0 基于半监督的人脸识别算法 现在，研究人员已经提出了许多成功的人脸识别方法，其中基于外观的方法引起了人们的注意。在这种方法中，nm大小的脸像表示nm高维图像的向量。因此，为了提高识别速度和鲁棒性，有必要降低这些数据的信噪比。著名的eigenface、fisherface和lampea算法分别将pca、lda和ep算法用于人脸识别，并取得了良好的效果。这些方法通过考虑维持样本空间的整体结构和局部几何结构来提取有效的低维特征。在这个过程中，eigenfaces使用pca算法将nm的面部特征向量分配给具有最大差分的线性子空间，并使用ld算法找到最合适的识别向量。fisher使用lda算法。在最大差分和最小化差分的意义上，为了获得具有最佳识别能力的子空间，我们发现了最合适的分解向量。对于ld，一种质量监督的方法，可以比pca有更更好地获得更好的性能。这两种方法通过考虑样本腔的整体几何结构，在不同的标准函数下找到分配向量，具有不同的区别。对于样本场的最小几何结构，采用epp算法进行创建当前相邻模式，估计样本空间的局部几何结构，并找到能够保持样本空间的局部几何结构的阴影向量。lcp是sae的线性。其他基于样本腔的局部几何结构的特征提取方法包括somp、le和npe。 在实际的人脸识别应用中, 要得到足够多的有标签训练样本需要花费很大的代价.而当每类只有很少的训