基于自适应稀疏监督典型相关分析的特征选择

特征选择旨在识别高维数据最具信息性的特征,以实现高维数据的低维表示。稀疏监督典型相关分析模型利用样本的监督数据,通过提取具有最大相关性的稀疏典型向量实现特征选择。但是,为了求解方便,该模型一般把优化目标从典型变量的相关系数组合简化为协方差组合,此简化将导致较大的特征选择偏差。针对这一问题,提出一种新的基于自适应稀疏监督典型相关分析的特征选择模型。该模型引入一组自适应权重系数,有效解决了“两两协方差的不公平组合”问题,提高了模型的特征选择能力。实验结果验证了模型的有效性和特征选择的准确性。

PDEs对四种图像降噪降维方法的影响

针对高维噪声图像(光暗、有遮挡)的分类问题,分类质量的好坏不仅依赖于图像降噪方法的选择,同时还依赖于图像降维方法的选择.目前,大部分的降噪方法不具备降维作用,同样地,大部分的降维方法也不具备降噪作用.为了在降噪降维的同时还能保持良好的分类精度,本文提出了基于偏微分方程组(PDEs)的主成分分析(PCA\PDEs)、基于PDEs的线性判别分析(LDA\PDEs)、基于PDEs的典型相关分析(CCA\PDEs)以及基于PDEs的监督典型相关分析(SCCA\PDEs)四种降噪降维算法,并研究了PDEs的进化对四种算法的影响。