基于集成学习的多重集典型相关分析方法

摘要：

特征提取是模式识别中的关键问题之一,对提高系统分类性能具有重要意义.常用的特征提取方法包括主成分分析、线性鉴别分析、典型相关分析等等,多重集典型相关分析是基于传统的典型相关分析基础上发展而来,利用多组(大于2)特征数据集进行特征提取.基于集成学习的多重集典型相关分析的方法(EMCCA),是通过将样本化分成若干小的样本,形成若干个特征数据集,利用多重集典型相关分析对这组数据集做特征提取,并结合集成学习对样本进行分类.在UCI上的多特征手写体数据集上的实验结果表明:相比于传统的PCA,CCA特征提取方法,多重集典型相关分析具有更优的特征提取效果,结合集成学习后具有更好的分类效果.

关键词：特征提取、多重集典型相关分析、集成学习、模式识别

所属期刊栏目：53

分类号：TP391.4(计算技术、计算机技术)

资助基金：江苏省产学研项目BY2013015-40

在线出版日期：2017-04-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：162-168,173