诱导核空间选择的LPKHDA维数约简算法

摘要：

混合鉴别分析(hybrid discirminant analysis,HDA)融合了主元分析和线性鉴别分析的优点,适合更多的数据分布,在实际应用中取得了较好的效果.然而HDA不适合复杂、非线性数据结构的维数约简.首先通过特征映射把数据样本映射到高维线性空间,然后建立线性 HDA 模型,基于流形学习理论和 LSSVM(least square support vector machine)框架,给出了保持数据局部结构的核 HDA(locality preserving kernel HDA, LPKHDA)算法.提出了基于散度矩阵的诱导核空间选择方法,通过把模型参数选择问题转化为最优诱导核空间选择问题来求取最优模型参数,通过梯度下降法求取核函数参数和散度矩阵系数最优值.基于Adaboost实现了LPKHDA算法.在UCI数据和人脸图像上进行仿真实验,结果表明与HDA算法相比,新算法不仅较好地解决了模型参数选择问题,且具有较好的性能.

关键词：核混合鉴别分析、核方法、模型选择、诱导核空间、维数约简

分类号：TP181(自动化基础理论)

在线出版日期：2013-03-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：272-281