贾其臣
北京中鼎高科自动化技术有限公司 北京市 101102
摘要:非线性降维作为当前比较流行的一种降维方法,是科学研究工程人员的重要研究领域热点。局部的非线性降维算法的优点和一些不足，在人脸识别上值得我们做出深入的技术研究,因此通过测试这种线性降维计算方式在不同降维参数下的实际降维效率,分析总结这种线性降维计算方式的适用特点和推广范围,选择一种局部的非线性嵌套的主要方面进行分析,通过应用于人脸识别中,并总结，提高人脸识别的准确识别率。
关键词:非线性降维算法;非线性降维嵌套;人脸识别
一、数据降维及算法
随着移动信息时代的快速到来,数据集中度增长更快、数据结构维度更高、非数据结构性变化性更加突出。如何在保持数据库和信息资源足够完整的基本意义下，从现有的大量数据集中整合提取，并输出有效而又合理的大量信息数据,满足人的存储管理需求和使用人的信息处理需要，这是当前急需研究解决的关键问题。在一些降维领域数据中心，进行各种数据处理时，所需每个样本的降维数量通常会变化成一个指数级的增加,样本间降维距离的利用价值也越来越小,这样就容易面临样本维数增加的灾难性问题。对于统计实际中很多典型问题来说,大部分用于降维流形观测对象数据中的变量，通常可以用几个少量直接影响它的因素组合,这就是说明其中通常包含着大量数据信息,各数据成分之间通常也可以有着较强的信息相关性,这种相关现象是在几何学上通常表现是因为大量数据分布在低维流形上,或者通常是在低维流形附近。因此,要有效率地揭示降维观测系统数据潜在的低维结构,需要通过学习和研究发现那些嵌入在整个降维空间系统中的低维观测特性。在目前研究维数特征的各种方法应用过程中,主要的研究方法之一是通过选取现有降维数据中尽可能多的,有用的维数特征,根据一定量的方法可以获取最突出的数据特征,即直接进行具有特征的维数降维。降维它是通过两种线性的分子特征空间组合方式来进行降维的,本质上说就是把降维数据中的投影降到低维的一个线性子空间。
非线性采样科学方法的，研究目的主要是基于许多降维图像采样中的数据都主要是由少数的客观变量所直接决定的,如图像人脸降维采样由较强光线下的亮度,人脸距离数码相机的光线距离,人的脸和头部运动姿势,人的头和脸部身体肌肉等客观因素等所决定。近年来,非线性流形降维技术算法的科学研究与推广应用已经取得了丰硕的技术成果,著名的非线性流形降维技术算法主要有;流形局部弹性线形嵌套、等距流形局部映射、局部特征流形映射、局部线性保持流形投影等。这些处理方法均能有效保持原始数据的整个函数结构不变,并能较好地解决原始数据处理过程中的"维数灾难"等函数问题。
二、LLE算法原理
假设一个给定实值数据向量集合中有x=(x1,x2,XN),包括一或n个光滑实值数据向量,向量的实值维数为a或d,且这些实值数据集合采样于某个潜在的光滑流形。采样后的数据点必须要求参数足够多,并且每个流形采样后的数据点及其它相邻点都不能落在一个该潜在流形的一个线性局部或非线性上或附近。用每个流形数据点的一个集合在重构得到该点时就会可以得到一组线性向量系数,然后用这组点的线性向量系数就使得可以用来刻画流形的一个局部的非线性在几何中的性质。最简单的确定方法也就是通过采用欧氏时间距离方法来快速确定每个数据的k个点。
三、LLB算法的降维效果与效率
算法时间效率主要特征是该类型算法使用处理一个数据集所需要花费的算法时间,合理的算法时间使用需要要进行多次效率测量以获取平均。
（一）降维数据目标点降维个数为800,即x和x=800r降维后的每个目标点和维数均表示为2维,即c和d=2;在图中使用二维函数构造空间图时,k=8,12。
(1)原始数据集(2)k=8(3)数据集(4)k=12,原始数据集,低层降维空间效果中我们可以明显看出,选取的二维数据点数不同,降维后的低层二维空间中的数据点的关系图,也会必然有所谓的不同,并且选取数据点数量的越多,计算的降维时间越长。
(二)数据目标点数的个数为800、?1600和3200,即x和x=800,1600,3200;图中降维后的数据目标点和维数均固定为2维,即c和d=2;在图中使用一个k维的函数构造空间图时,k=8。处理1600个其他数据点的处理时间大约是所有处理800数据点的处理时间的3.6倍,处理3200个其他数据点的处理时间大约是所有处理800数据点的处理时间的3.8倍。
函数是三维图形数据集中在实验中所广泛使用的一个三维数据集,通常认为是一个不被采样的矩形三维图形,也为三维的数据集。
（1）数据点个数为800,?即x=800;降维后的目标维数均为2维,即d=2;在使用构造图时,K=8,12。
(2)图中数据点的个数为800、?1600和3200,即数据点x=800,1600,3200;降维后的每个目标维数均为2维,即d=2;在图中使用k近邻的方法构造图时,k=8。对比可以明显地看出,在条件相同的前提下,LLE处理不同的数据集的灵活性和效率相近。
四、LLE算法在人脸识别上应用
非线性嵌套降维识别算法的技术可以广泛应用于各种科学计算中,为进一步解决大量的降维人脸识别数据的分析处理效率问题和准确性提供了解决方案。本文将这种局部线性嵌套降维算法的技术应用到非线性人脸识别的项目中，为解决人脸识别问题提供一种有效的方法。人脸识别的分析处理过程主要包含对人脸的训练和对入侵人脸的过程进行分类,使用非线性向量的分类器或使用k阶非线性向量可以实现。在前期的实验中,采用非线性降维算法的LLE降维算法分析人脸的数据,对计算得出的人脸识别率数据进行了分析,探讨了LLE降维算法的非线性降维的优缺点。
1优点
（1）LLE算法能够完全突破了主要元素的分析,该算法在非线性数据的应用,可以准确处理、分析非线性的信号。
(2)该数据分析算法使我们可以很好的表达出原有数据的内在流形和数据的结构,能够很好的保留原有数据的结构和本质特征,这样我们就可以很好的表达和保留数据原有流形和数据的特征,这点在人脸识别中具有非常重要的指导意义。
(3)该分析算法本身特征参数的优化选择很少,故能帮助用户更好的理解和进行算法特征参数的优化,这为其进行检测和诊断分析打下坚实的技术基础。
2缺点
(1)LLE算法需要进行稠密采样;
(2)该局部降维设计算法的两个局部嵌入参数信号k、嵌入后的维数信号d和其他嵌入维数信号空间中的局部线性,会直接严重影响降维空间的局部降维计算效果;
(3)LLE无法处理等距流形等。
五、不同条件下LLE算法的人脸识别比较
采用实验的方法导入人脸数据库,改变了LLE算法的人脸数据,分别将人脸设为8、15和30个,重复人脸识别的试验。根据得到的人脸识别率的结果,LLE(k=8)和LLE(k=15)的人脸降维识别效果实际上要远远优于采用LLE(k=30)，这样的结果表明采用LLE算法中所采用的人脸数据必须适当,人数过多将可能会极大的直接影响采用LLE算法的人脸降维识别效果。
结束语
本文章首先对非线性人脸识别降维的主要技术研究方向和内容作了详细的分析和介绍,并且对目前主要应用于非线性人脸识别的技术中也做出了相应的分析和介绍。然后,探讨了这种人脸识别降维的技术优势与缺点以及非线性人脸识别作为一种技术所需要应用的技术。分析近些年来,人脸识别降维作为一门既有其理论和实践价值又同时具有其应用实践价值的研究,越来越多地得到广大研究者的高度关注,各种各样的人脸识别算法层出不穷,就这些技术方面的研究方法和技术作了一些基本概念上的探讨和介绍,由于非线性人脸识别技术问题的复杂性,针对不同的技术应用和场合,每种人脸识别方法都有其技术适用范围,同时也都有其技术局限性,对于人脸识别影响的问题仍是最主要的技术性问题。
参考文献：
[1]王泽杰.两类非线性降维流形学习算法的比较分析[J].上海工程技术大学学报，2008,22(1)：54-59.
[2]王自强，钱旭，孔敏.流形学习算法综述[J]，计算机工程与应用,2008,44(35):9-12
[3]?刘庆.半监督的手写体识别[D].中国科学技术大学，2008.
[4]杨剑.流形学习问题[D].北京，中国科学院自动化研究所?,2005.