KPCA FACE RECOGNlTION METHODA. Over

KPCA FACE RECOGNlTION METHOD
A. Overview
The nuclear field of pattern recognition method is the
rapid development of a new direction; a series of advanced
nonlinear data processing technology, the common feature is
that these data processing methods applied to nuclear
mapping. The most commonly used nuclear methods include:
support vector machine, support vector regression, kernel
principal component analysis, nuclear Fisher criterion, the
classification based on nuclear and other kernel-based
projection pursuit. Its main idea was originally proposed by
V. Vapnik [1, 2] who proposed and used in support vector
machine (SVM). Scholkopf et al [3, 4, 5, 6] implemented
that nuclear method is applied to feature extraction, and
proposed kernel principal component analysis (KPCA),
experimental results show that KPCA can not only extract
nonlinear features, but also better recognition results.
From the specific operation point of view, nuclear
nonlinear mapping method first used the raw data from the
data space is mapped to high dimensional feature space, then
in the feature space corresponding to linear operation.
Because we use the nonlinear mapping, this nonlinear
mapping is often very complex, thereby greatly enhancing
the ability of nonlinear data processing.
B. Principle of KPCA
KPCA is a traditional PCA algorithm of nonlinear
development. The basic idea of KPCA is to input data
through the kernel method is mapped to feature space F, then
in the feature space F in the principal component analysis to
extract nonlinear features effectively.

ผลลัพธ์ (ไทย) 1:

วิธี RECOGNlTION KPCA หน้า
ภาพรวม A.
นิวเคลียร์ด้านรูปแบบวิธีการรับรู้เป็นการ
พัฒนาอย่างรวดเร็วของทิศทางใหม่ ชุดของขั้นสูง
เป็นคุณลักษณะทั่วไปของเทคโนโลยีการประมวลผลข้อมูลไม่เชิงเส้น
วิธีการประมวลผลข้อมูลเหล่านี้ใช้กับนิวเคลียร์ที่
แมป รวมวิธีการนิวเคลียร์ที่ใช้บ่อยที่สุด:
เครื่องสนับสนุนเวกเตอร์ เวกเตอร์การสนับสนุนถดถอย เคอร์เนล
วิเคราะห์ส่วนประกอบหลัก นิวเคลียร์ Fisher เกณฑ์ การ
จัดประเภทตามนิวเคลียร์ และอื่น ๆ ใช้เคอร์เนล
แสวงหาโปรเจคเตอร์ ความคิดของหลักแรกถูกเสนอโดย
Vapnik V. [1, 2] ที่นำเสนอ และใช้ในสนับสนุนเวกเตอร์
เครื่อง (SVM) Scholkopf et al [3, 4, 5, 6] ใช้
นิวเคลียร์วิธีใช้การสกัดคุณลักษณะ และ
เสนอวิเคราะห์ส่วนประกอบหลักของเคอร์เนล (KPCA),
ผลการทดลองแสดงว่า KPCA สามารถไม่เฉพาะแยก
ลักษณะไม่เชิงเส้น แต่ยังดีกว่ารู้ผล.
จากการดำเนินงานเฉพาะจุดของมุมมอง นิวเคลียร์
แมปไม่เชิงเส้นวิธีแรกใช้ข้อมูลดิบจากการ
ข้อมูลพื้นที่ถูกแมปมิติคุณลักษณะสูงเท่า แล้ว
ในพื้นที่ลักษณะที่สอดคล้องกับการดำเนินงานเชิงเส้น
เนื่องจากเราใช้แมปไม่เชิงเส้น ไม่เชิงเส้นนี้
มักจะซับซ้อนมาก มากจึงเพิ่มการแมปเป็น
ความสามารถของการประมวลผลข้อมูลไม่เชิงเส้นการ
หลัก B. KPCA
KPCA มีขั้นตอนวิธี PCA แบบไม่เชิงเส้นของ
พัฒนา ความคิดพื้นฐานของ KPCA เป็นการ ป้อนข้อมูล
ผ่าน kernel วิธีถูกแมปกับคุณลักษณะพื้นที่ F แล้ว
ในพื้นที่คุณลักษณะ F ในการวิเคราะห์ส่วนประกอบหลักเพื่อ
แยกลักษณะไม่เชิงเส้นอย่างมีประสิทธิภาพ

ผลลัพธ์ (ไทย) 3:

kpca หน้าวิธี

recognltion . ภาพรวมด้านนิวเคลียร์ของวิธีการรับรู้แบบแผนคือการพัฒนาอย่างรวดเร็วของทิศทางใหม่ ; ชุดของขั้นสูง
ไม่เชิงเส้นการประมวลผลข้อมูลเทคโนโลยี คุณสมบัติทั่วไปคือ
ที่วิธีการประมวลผลข้อมูลเหล่านี้ใช้กับแผนที่นิว

ส่วนใหญ่นิยมใช้วิธีนิวเคลียร์รวม :
เวกเตอร์เวกเตอร์เครื่อง สนับสนุน kernel
ถดถอยการวิเคราะห์ส่วนประกอบหลัก เกณฑ์ นิวเคลียร์ ฟิชเชอร์
การจำแนกตามนิวเคลียร์และเคอร์เนลอื่นติดตามประมาณการตาม

ความคิดหลักของเดิมที่เสนอโดย
V vapnik [ 1 , 2 ] ที่เสนอและใช้ในเครื่องเวกเตอร์
สนับสนุน ( SVM ) scholkopf et al [ 3 , 4 , 5 , 6 ] ใช้
วิธีนิวเคลียร์ใช้คุณลักษณะการสกัดและ
เสนอโปรแกรมการวิเคราะห์องค์ประกอบหลัก ( kpca )
ผลการทดลองแสดงให้เห็นว่าไม่เพียง แต่สามารถแยก kpca
ไม่เชิงเส้นคุณสมบัติ แต่ยังน่าจะรู้ผล
จากมุมมองของเฉพาะปฏิบัติการนิวเคลียร์
ไม่เชิงเส้นแผนที่วิธีแรกใช้ข้อมูลดิบจาก
ข้อมูลพื้นที่เป็นแมปไปยังพื้นที่ประกอบด้วยมิติสูงแล้ว
ในลักษณะพื้นที่ที่สอดคล้องกับการดำเนินงานเชิงเส้น .
เพราะเราใช้แผนที่เชิงเส้นนี้ เส้น
แผนที่มักจะซับซ้อนมากจึงเพิ่มอย่างมาก
ความสามารถของการประมวลผลข้อมูลเชิงหลักการของ kpca
.
b kpca เป็นขั้นตอนวิธีแบบดั้งเดิมของการพัฒนาระบบไม่เชิงเส้น

แนวคิดพื้นฐานของ kpca คือข้อมูล
ผ่านเคอร์เนลวิธีการแมปไปยังคุณลักษณะพื้นที่ F ,
ในลักษณะพื้นที่ F ในการวิเคราะห์ส่วนประกอบหลักสารสกัดจากเส้น

คุณสมบัติได้อย่างมีประสิทธิภาพ