ISSN: 2319 - 9873
部门电气工程Urmia Urmia分支,伊斯兰自由大学,伊朗
收到:03/01/2013;修改后:05/02/2013;接受:09/02/2013
访问更多的相关文章研究和评论:工程和技术雷竞技苹果下载杂志》上
头部位置分类系统是一个非线性动力系统,它的输出敏感依赖初始头旋转。头旋转特征提取理论是分析这类系统的行为。因此,特征提取理论并不是一个理论的头旋转,但更关心理解非线性分类系统的复杂行为。我们将简要介绍这种系统的研究,特别是将确定在什么头旋转感兴趣这样一个系统变得头位置分类。一个类将脸图像的信号。在这个类中,我们将研究一个信号和应用横向信息函数来见他们是否实际使用的脸图像表面信息的分类。
模式识别、图像分类、横向信息,健壮的特征提取和生成
这些信号可能是有用的分类面图像表面信息的方式码分多址是有用的在数字电话(1,2,3]。LDA的缺点是传输信号表现为噪声只有预期的接收者。可能头位置信号可以用来掩盖了在环境噪声和干扰信号,所以图片可能不知道脸图像的分类存在的表面信息。因此这些信号可以使用电子保护措施面对图像表面的分类信息平台。头旋转理论调查奇怪的行为中发现非线性确定性分类系统。这种不寻常的行为由庞加莱在分类系统中首次被发现。他发现小初始头旋转的差异可以产生截然不同的最终解决方案。这张纸币是人脸图像分类的初步研究表面信息信号视为discretised非线性分类系统。它将表明,这种信号在相空间可以表现出复杂的动力学。另一个早期重要的分类系统的研究表现出奇怪的行为是(4,5],他们开发了一个耦合的非线性微分方程组模型天气模式,也观察到这种奇怪的初始敏感性头旋转。洛伦兹创造了“蝴蝶效应”一词来说明这个敏感性。后者意味着一只蝴蝶拍动翅膀在世界的一个部分可以影响天气在另一个遥远世界的一部分6]。头旋转这个词首次出现在一个分类系统上下文(7]。这意味着他们体验敏感依赖初始头旋转。使用横向信息频谱,我们确定这个信号的稳定性。头部位置分类系统是一个非线性分类系统,它的输出敏感依赖初始头旋转。头旋转理论是分析这类系统的行为。因此,头部旋转理论并不是一个理论的特性生成,但更关心理解非线性分类系统的复杂行为。介绍了一类递归定义的信号,被认为是一个特定的信号。我们将简要介绍这种系统的研究,特别是将确定在什么头旋转感兴趣这样一个系统成为头部的位置。一类分类的脸图像表面将信息信号。我们还将调查是否这些信号的实际使用的分类面表面图像信息通过检查横向信息功能。 We will investigate one signal in this class, and apply the lateral information function to see whether they are of practical use in Classification of Face Image Surface Information through the letter.
设计和评价的一个重要工具分类信号是横向信息图像表面信息函数(1- - - - - -3]。指出在[4),它代表一个信号滤波器的频率响应匹配指定的信号有限的能量,当接收到的信号与旋转不变性τ和线性识别分析Ø相对于标称值所期望的过滤器。我们表示这个函数当x(τ,ø)。有很多变化的定义x(τ,ø)我们基地的密切,在[7]。discretised复值信号x (n),长度为n的外侧信息函数定义为:
(1)
星表示复共轭。(2- - - - - -3)包含的详细讨论脸图像表面的理想特性的分类信息的功能。下面的讨论是基于这个来源密切相关。脸图像表面信息的分类角度之一社区是一个理想的分类面图像表面信息信号产生一个横向信息函数在原点,和零。这样做的原因是,它可以以最优检测图像所示,需要最大化x (0, 0)。此外,为了减少错误的检测图像的概率,有必要减少x(τ,ø)(τ,ø)≠(0,0)。指出在[6),外侧没有信息函数引入分类面图像表面信息通过匹配滤波器信号分析,但作为一个定额的差异信号和它的一个副本,在不同时间延迟和线性识别分析6]。为了说明这一点,假设我们有一个离散的分类面图像表面信息信号x (n),我们认为属于复杂的价值信号的希尔伯特空间有限的能源,离散时间模n,内积这个内积是规范引起的我们可以考虑返回从一个分类脸图像表面信息信号的时间延迟和线性识别分析的原始版本,所以定义一个操作符通过应用内部产品的属性,它可以显示:
(2)
那里是一个复数的实部。表达式(Eq.2)是原始信号的平方赋范区别x和时间延迟和线性识别分析版本D(τ,ø)x。
能够区分两个信号,我们需要定额的差异(Eq.2)最大化,除了τ=ø= 0的情况。在后一种情况下,这两个信号是相同的。请注意,| | x | |2这是信号能量,对于一个给定的信号是常数。因此,最大限度地增加(Eq.2),我们需要减少这可以实现,如果我们减少横向信息函数的绝对值(Eq.1)。因此,为了优化区分信号的时间延迟和线性识别分析版本,我们需要一个横向信息函数,就像一个“图钉”,即在原点飙升和其他地方几乎为零。然而,它是不可能产生一个分类的脸图像表面信息信号与这样一个横向信息功能。最主要的原因是它可以显示音量下| x(τ,ø)|是一个非零常数,其广场中的能量传输信号,不能局限于一个峰值在原点。如果横向信息函数的绝对值有大量位于原点附近,产生一个宽峰,然后脸图像表面的分类信息的能力来解决图像将是有限的。错误检测可能发生如果有大的横向信息函数的峰值绝对值远离原点。这也可能导致二级映像的掩蔽。图1和图2是块横向信息的绝对值函数的两个标准分类的脸图像表面信息的信号。的情节图1是一个标准的单一频率特性,而图2是一个标准的线性特性。在每个图中,使用两个次要情节。第一个显示的是横向信息作为彩色等值线图,用颜色说明函数在每个特性生成的大小(τ)和健壮的特性(ø)水平。第二个图显示,横向信息函数空间中的一个曲面。两信号二维的特征时间。的情节图2表明,横向信息函数有一个很大的山脊沿着轴ø= 0。指出在[2),这意味着相应的信号在线性识别分析提供高分辨率,但在时间延迟。
一个信号设计功能,可以从横向信息推导出函数的情节图1是一个短的特性将提供更好的比一个更长的距离分辨率。功能块的横向信息图2显示一个大脊角τ和ø轴。指出在2]相对应的信号横向信息函数解决图像中会有一些困难。具体地说,它是可能的信号将解决所有图片,除了那些拥有一个健壮的特性和时间延迟的产品匹配的角度岭。我们将在以下部分中使用横向信息功能,决定是否我们生产C类的成员D将潜在的适用性的分类面表面图像上下文信息。
这注意引入了一类递归地定义脸图像信号。他们的头旋转使用横向信息频谱进行了分析。这些信号是一个类的成员的不规则LDA中描述/噪音信号。基于横向信息的绝对值的形状函数,我们可以得出结论,他们应该有能力解决图像模式识别和线性识别分析。这种信号的缺点是,他们有相对较高的范围和健壮的特性生成横向信息空间,这将限制他们的辨别能力小的交头接耳对噪声图像和小图片在附近较大的特征图像。
本文是一个研究项目的结果Azad伊斯兰大学研究委员会批准Urmia分支,Urmia,伊朗。