基于边界异类近邻关系构建的新特征提取方法

特征提取广泛应用于模式识别中。它去除原始样本的冗余信息,提取出有助于样本表示或分类的简洁有用的信息。线性鉴别分析(LDA)属于传统的监督特征提取方法,它旨在寻找最小化类内散度(方差)同时最大化类间散度(方差)的低维线性投影子空间。提出一种新的特征提取方法,旨在改进LDA,该方法在LDA的基础上,增加了每个类的中心点与该类边界异类样本的近邻关系,通过类中心对边界异类样本的排斥,扩大了类与类相互的边距,增强了类的可分性。YaleB人脸数据库和CENPARMI手写阿拉伯数字库中的实验结果,证明了新方法确实能够提高分类效果。

基于大间距思想的虚拟样本优化求解分类算法

在训练样本中,某些类与其他类的一些样本混杂或距离很近,后者被称为边界异类。此时,类中心离边界异类也近,从而影响最小类中心分类器的识别率。基于大间距思想,提出了一种新的分类算法,旨在改进最小类中心分类器。新分类算法为每类求解一个虚拟样本,使其尽可能排斥异类样本,并让每类虚拟样本取代该类中心点做分类。与类中心相比,虚拟样本离边界异类更远,因此增强了分类的可靠性。在CENPARMI手写阿拉伯数字库和Yale B人脸数据库上的实验表明,新分类算法的分类效果优于最小类中心分类器。