- 博客(3)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 PCA + SVM 人脸识别
1、计算特征脸 二维人脸图像R=n*m，人脸图像训练集为{Ri|i=1,2,...,p}，p为训练数据集总数。这p张图像的平均向量(均值)为：R均=1/p(R1+R2+R3+...+Rp)； 训练样本集进行规范化，即每个人脸Ri与平均人脸R均的差值向量：Ai=Ri-R均 i=1,2,3,...,p 其中列向量Ai表示一个训练样本。
2015-08-02 19:57:25
1082
原创 降维算法（1）：Principal Component Analysis（PCA）
降维原理：降维就是采用某种映射方法，将高维空间的数据点映射到低维空间中。降维本质：学习一种映射函数f：x->y，x为高维空间的数据点的表达式，而y为低维空间的数据点的表达式，x的维度为什么要降维：高维数据通常包含过多冗余信息和噪音信息，这样会对识别分类造成误差，降低准确率，而且会造成计算复杂度。通过降维，可以减少误差，提高准确率，减少计算复杂度。PCA 数学表达式：【1】内
2015-08-02 13:11:25
568
原创 SVM（Support Vector Machine）
SVM：典型的二类分类器。在小样本、非线性和高维模式识别（样本维数高）中体现了比较大的优势。主要用于模式识别，分类和回归。（基本上可以称为最好的有监督学习算法）。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的。（结构风险=经验风险+置信风险）。其基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。间隔越大，则越
2015-08-01 20:24:49
526
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人