基于SSVM的递归统计不相关特征抽取算法

摘要：

文章旨在研究数据分布未知的高维、小样本问题的特征抽取算法.基于支持向量机原理和特征统计不相关思想,提出基于散度支持向量机(SSVM)的递归统计不相关特征抽取算法,解决现有算法抽取特征之问存在相关性、算法受到样本分布影响等问题.针对高维小样本问题,使用PCA把SSVM优化问题变换到同构低维空间;给出边界鉴别向量集的递归求取方法,把模式高维特征投影到边界鉴别向量集,实现了统计不相关特征的抽取:分析了算法的收敛性和终止条件.文中使用核方法把线性SSVM推广到非线性SSVM,通过KPCA方法把非线性SSVM优化问题转换到低维空间中的等价优化问题,在低维空间抽取不相关非线性特征.仿真结果证明了文中算法的有效性.

关键词：散度支持向量机(SSVM)、分类、特征抽取、统计不相关边界鉴别向量、主元分析(PCA)

所属期刊栏目：34

分类号：TP391(计算技术、计算机技术)

资助基金：徐州师范大学培育项目08XLY10;中国博士后科学基金20060390277;江苏省"六大人才高峰"计划06-E-05

在线出版日期：2011-05-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：443-451