补丁校准框架下的最大模糊边界投影

补丁校准是一类有效的维数简约框架。基于补丁校准框架,提出一种最大模糊边界投影算法。该算法引入模糊集理论,从样本的相似度出发,利用非负最小二乘法获取相似近邻,进而构造相似隶属度矩阵,依据相似隶属度矩阵重新定义了模糊边界补丁中心和模糊相似权重。模糊边界补丁中心能很好地降低(或消除)重叠(离群)样本对于特征提取的影响;而模糊相似权重明确了该样本对特征提取所做的贡献。在补丁校准框架下,同类样本间由光照、表情等变化所引起的差异能得到有效的压制,同时不同类样本间距离得以增大,有助于分类性能的提高。在UCI Wine、Yale和Yale-B数据库上的实验验证了所提方法的有效性。