支持向量描述鉴别分析及在人脸识别中的应用

数据降维是模式识别的重要组成部分。支持向量鉴别分析(support vector discriminant analysis,SVDA)依最优超平面法线方向投影对数据进行降维,克服了传统方法中假设数据满足高斯分布时,导致无法反映超平面单侧中多类数据间投影距离差异并影响了算法有效性的缺点。提出一种支持向量描述鉴别分析(support vec-tor description discriminant analysis,SVDDA)算法,首先利用支持向量机最优超平面获取样本的类属信息,然后通过SVDD的超球面法线作为投影轴取得样本的投影距离,取两信息的组合作为样本的特征映射。算法利用SVDD的一类紧致超球特性,弥补支持向量鉴别分析的不足。通过人脸识别实验,验证了该算法的有效性。

支持向量数据描述鉴别分析

结合支持向量机(Support vector machine,SVM)最大类间间隔和支持向量数据描述(Support vector data description,SVDD)最小类内体积,提出支持向量数据描述鉴别分析(Support vector data description discriminant analysis,SVDDDA)。SVDDDA构造两大小同心超球,小超球包含正类样本,大超球排除负类样本,最大化两超球间隔,同时压缩正负类所处特征空间体积,利用样本距超球心距离定义了投影坐标。SVDDDA不仅能够获取类间鉴别信息,还能够获取类内散布信息。最后,通过人脸表情识别试验验证了该算法的有效性。