基于低秩分解的鲁棒典型相关分析
典型相关分析(CCA)是一种经典的多特征提取算法,它能够有效地抽取两组特征之间的相关性,现已被广泛应用于模式识别.在含噪声数据情况下,CCA的特征表示性能受到限制.为了使CCA更好地处理含噪声数据,提出一种基于低秩分解的典型相关分析算法——鲁棒典型相关分析(robust canonical correlation analysis,RbCCA).RbCCA首先对特征集进行低秩分解,得到低秩分量和噪声分量,以此分别构建对应的协方差矩阵.通过最大化低秩分量的相关性,同时最小化噪声分量的相关性来建立判别准则函数,进而求取鉴别投影矢量.在MFEAT手写体数据库、ORL和Yale人脸数据中的实验结果表明,在包含噪声的情况下,RbCCA的识别效果优于现有的典型相关分析方法.
模式识别、特征抽取、数据降维、典型相关分析、低秩表示、低秩分解、低秩分量、噪声分量
12
TP391(计算技术、计算机技术)
国家自然科学基金项目61273251
2017-10-20(万方平台首次上网日期,不代表论文的发表时间)
共7页
491-497