基于维度约束的距离测度学习算法

摘要：

为提高分类精度,通过距离测度学习可以得到样本在新的特征空间里新的表示.针对马氏距离未考虑不同类别样本维度间相关性存在差异这一缺陷,提出了一种新的有监督的距离测度学习算法,即独立-差别分量分析方法(Independent Discrimi-Native Component Analysis,I-DCA),并将其运用于基于k近邻分类器的运动神经与感觉神经分类中.作为对照,还详细分析了已有的相关分量分析方法(Relevant Component Analysis,RCA)和差别分量分析方法(Discrimi-Native Component Analysis,DCA)这两种距离测度学习算法.实验结果表明,改进算法的分类精度相较于马氏距离提高了近45％,相较于RCA与DCA也提高了15％左右,分类精度的提高说明了改进算法的有效性.

关键词：距离测度学习、有监督学习、k近邻分类、显微高光谱、神经分类

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61240006

在线出版日期：2017-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：69-74,88