基于低秩领域自适应的鲁棒转移特征抽取研究

With the development of information technology, the images which people obtained not only have higher dimensionality but also can’t satisfy independent identical distribution. It is a challenge to extract effective features from such high-dimensional data. Based on the low-rank domain adaption, the project is to design more effective transfer feature extraction algorithms. The research contents of the project include: 1) to propose low-rank domain adaptation transfer feature extraction algorithms based on the prior knowledge combination model by employing the knowledge inside the previous object domains; 2) to extend the above research to robust transfer feature extraction models driven by low-rank domain adaptation by making full use of the robustness of low-rank domain adaptation; 3) to propose robust transfer feature extraction model based on independent subspace low-rank domain adaptation for overcoming the difficulty that the above algorithms can not ensure that the target domain knowledge is transferred to the source domain. Finally, plentiful experiments are carried out on complex image datasets to evaluate the proposed algorithms’ performance. This study will not only has significance for applying the low-rank technology in feature extraction, but also promote the development of theory, technology and application in pattern recognition.

新领域的不断涌现以及信息技术的迅猛发展使人们所获取的数据不仅在维数上迅猛增长，分布上也呈现复杂化。如何从这样的数据中提取有意义的鉴别特征是一个极具挑战的问题。本课题以低秩领域适应为基础，拟设计更有效的转移特征提取算法。研究内容包括:1)利用之前目标领域知识，拟提出基于先验知识组合模型的低秩领域适应转移特征抽取算法；2)充分利用低秩领域适应鲁棒性，对上述研究进行拓展，拟提出低秩领域适应驱动下的鲁棒转移特征抽取模型；3)为克服上述研究无法保证目标领域知识到源领域的有效转移，提出基于独立子空间低秩领域适应的鲁棒转移特征抽取模型。最后，在复杂分布图像识别问题上，对所提算法有效性进行验证和定量分析。本课题的开展将推动低秩理论在特征抽取领域中的应用，丰富和发展模式识别的特征提取技术理论体系。

新领域的不断涌现以及信息技术的迅猛发展使人们所获取的数据不仅在维数上迅猛增长，分布上也呈现复杂化。如何从这样的数据中提取有意义的鉴别特征是一个极具挑战的问题。本课题以低秩领域适应为基础，拟设计更有效的鲁棒特征提取算法。.主要研究了以下三部分的研究工作：.1.建立软间隔子空间和同时特征选择的方法，解决动态复杂环境下多特征融合后高维数据的降维问题。.构建了软间隔子空间学习框架，设计软间隔准则，向软间隔子空间中引入1范数技术，提出了基于外罚理论解的软间隔子空间和同时特征选择方法：基于外部惩罚投影孪生支持向量机（RFSPTSVM）。.2.基于鲁棒特征选择方法建立不完全量测情况下的多模型嵌入地形识别算法，解决量测数据存在随机缺失时的地形识别问题。.以RFSPTSVM作为基学习器构建了多模型嵌入地形识别算法；利用OUTEX、VSPECT、ROCKS、NJUrobt和WEDS五个数据集上开展算法验证测试。提出的地形识别算法对典型地形的识别性能均高于82%。.3.基于独立子空间低秩领域适应的转移特征抽取，提出了一种将面向航迹的多假设跟踪和多平面支持向量机技术相结合的数据处理算法，用于密集环境下下的杂波过滤。.密集杂波环境中除了目标点的回波外还存在大量来自未知散射体的杂波干扰，通过提取杂波特征，采用多平面支持向量机方法用于过滤杂波，并为后续的目标跟踪提供先验环境信息，在满足跟踪精度的前提下降低了算法的复杂性，提升了数据关联的效率。结果表明，该算法可以有效地抑制杂波，提高跟踪性能。