[发明专利]一种基于双特征正交弹性维数约简的手写体数字识别方法

说明书

本发明公开了一种基于双特征正交弹性维数约简的手写体数字识别方法，主要是构建局部无向近邻图与全局几何图的同时引入正交性准则，构建正交弹性维数约简模型，并进一步利用该模型实现了手写体数字的识别任务。其具体实现过程为：(1)利用模态策略对手写体数字图像进行模态化处理；(2)构建正交弹性维数约简模型；(3)利用双特征分解方法对该模型进行求解，并借助最近邻分类器实现的手写体数字的识别。与现有技术相比，本发明提出的基于双特征正交弹性维数约简的手写体数字识别方法更具有效性和鲁棒性。

技术领域

本发明属于模式识别和维数约简技术领域，具体为一种基于双特征正交弹性维数约简的手写体数字识别方法。

背景技术

随着电子信息技术的飞速发展，数据的产生方式和存储方式快速提升，从而使得数据量呈现爆炸式的增长。通常来说，这些数据往往存在高维、复杂等特性，如果对这些数据直接进行处理，则会出现维数灾难等问题。因此，如何从高维数据中获取面向实际需求的有用信息以及发现高维数据中真实结构与内在散布关系，已经成为模式识别、机器学习等诸多领域中一项具有实际应用意义的挑战性问题。目前，通常使用维数约简对高维数据进行处理。维数约简旨在寻找高维数据中内在本质结构，删除数据中冗余信息，从而在低维投影子空间中保留有效的信息。利用维数约简，可以在降低高维数据复杂性与维度的同时保留数据中所需要的内在特征信息。

用于手写体识别的维数约简方法可分为线性维数约简方法与非线性维数约简方法。面向手写体识别的线性维数约简方法通常利用数据之间的全局结构关系来实现维数约简的目的，经典的方法有主成分分析(Principal Component Analysis，PCA)，线性鉴别分析(Linear Discriminant Analysis，LDA)等；面向手写体识别的非线性维数约简方法旨在借助数据的局部近邻关系进行维数约简，代表性的方法有局部保持投影(LocalityPreserving Projection，LPP)，近邻保持嵌入(Neighborhood Preserving Embedding，NPE)等。然而，现实中的数据分布规律往往是复杂的，有效的信息往往存在多种数据结构。单一地探索局部或者全局结构会在维数约简过程中丢失诸多有效信息，并且原始的高维数据中包括大量的冗余信息和噪声，进一步限制了它们的性能。为了解决这一问题，我们发明了一种基于双特征正交弹性维数约简的手写体数字识别方法，结合局部和全局结构的优点构建局部无向近邻图与全局几何图，同时引入正交性准则构建正交弹性维数约简模型，并利用双特征分解方法对该模型进行求解，最终借助最近邻分类器实现手写体数字的识别任务。

发明内容

传统维数约简方法未能充分捕获原始高维数据中的有效信息，并且原始高维数据中所存在的大量噪声与冗余也影响了传统维数约简方法的性能。针对此问题，本发明提出了一种基于双特征正交弹性维数约简的手写体数字识别方法。本发明的核心是通过构建局部近邻无向图与全局几何图去探索原始高维数据中的内在有效结构，同时通过融入正交性准则增强正交弹性维数约简模型的鲁棒性，从而在获得具有强鉴别力的正交弹性特征。本发明的具体实现步骤如下：

1.利用模态策略对手写体数字图像进行模态化处理，即借助Coiflets小波变换获得手写体数字图像对应的单幅低频子图像；

2.单视图图像数据集的构建：X＝[x₁,x₂,...,x_n]∈R^m×n，其中m是数据集X的样本维数，n为样本总量，x_i表示数据集X第i个样本(i＝1,2,3...n)；

3.构建正交弹性维数约简模型，具体构建过程如下：

(3a)构建局部近邻相似权重矩阵

其中表示局部近邻相似权重矩阵S_local的第(i,j)(i,j＝1,2,...,n)个元素，N_k(x)表示x的前k个近邻样本的集合，t∈(0,+∞)是设置的内核参数；