PCA联合子空间理论的规范化与扩展

摘要：

对于高维数据的分类,主成分分析(PCA)联合子空间可为每类数据建立更为细致的概率模型,从而可有效地提高贝叶斯分类的准确性.本文首先对PCA联合子空间理论进行了规范化,提出了两个基本假设,并从理论上证明了残差子空间参数“代表特征根”的启发式取值正是其极大似然估计.本文进一步对样本残差的概率模型进行了扩展,提出了扩展型逐类联合子空间算法.最后,本文通过在真实数据上实验结果证明了扩展型逐类联合子空间算法的优越性.

关键词：主成分分析(PCA)、贝叶斯分类、联合子空间

所属期刊栏目：29

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金项目61171138的资助

在线出版日期：2014-02-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1638-1643