基于矩阵模式的局部子域最大间距判别分析

矩阵模式的Fisher线性判别准则(MatFLDA)作为近几年矩阵模式下的经典特征提取方法被广泛地加以研究和运用。然而MatFLDA方法作为全局判别准则一定程度上忽视了样本空间内在的局部结构和局部信息。在矩阵模式下,引入局部加权均值(LWM)并结合最大间距判别分析(MMC),提出一种具有局部学习能力的有监督的特征提取方法:基于矩阵模式的局部子域最大间距判别分析(Mat-LSMMC),提高了MatFLDA方法的局部学习能力,具有较强的特征提取能力。通过测试人造、真实数据集来表明所提方法的优势。

基于局部子域的最大间距判别分析

线性判别分析(LDA)作为一种经典的特征提取方法被广泛地加以研究和运用,然而LDA作为全局判别准则在一定程度上忽视了样本空间的局部结构和局部信息.为此,通过引入局部加权均值(LWM)并结合最大间距判别分析(MMC)提出了具有一定局部学习能力的有监督的特征提取方法—–基于局部加权均值的最大间距判别分析(LBMMC).算法结合了QR分解技术,提高了其执行效率,并通过在数据集上的测试结果表明了该算法的有效性.

基于特征线子空间嵌入的非线性特征提取方法

针对最近特征线子空间特征提取方法中所存在的问题,结合最大间距判别分析,提出一种具有一定局部学习能力的、有监督的非线性特征提取方法:基于特征线子空间嵌入的非线性特征提取方法,即该特征提取方法不但能克服特征线方法所存在的小样本问题,同时能一定程度上提高其处理非线性数据的能力。通过在数据库上进行实验,结果表明该方法具有优势。