在小样本条件下直接LDA的理论分析

摘要：

直接线性鉴别分析(DLDA)是一种以克服小样本问题而提出的LDA扩展方法,被声明利用了包含类内散布矩阵零空间外的所有信息.然而,很多反例表明事实并非如此.为了更深入地了解DLDA的特性,该文从理论上对其进行了分析,得出结论:基于传统Fisher准则的DLDA几乎没利用零空间,将丢失一些有用的鉴别信息;而基于广义Fisher准则的DLDA,若满足一定条件(在高维小样本数据应用中一般都满足)且最优鉴别矢量正交约束,则其等价于零空间LDA和正交LDA.在人脸数据库ORL和YALE上的比较实验结果亦与理论分析一致.

关键词：模式识别、Fisher准则、降维、线性鉴别分析、小样本

所属期刊栏目：31

分类号：TP391.4(计算技术、计算机技术)

在线出版日期：2010-01-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：2632-2636