类依赖的线性判别分析

摘要：

线性判别分析(LDA)是一种常用的特征提取方法,其目标是提取特征后样本的类间离散度和类内离散度的比值最大,即各类样本在特征空间中有最佳的可分离性.该方法利用同一个准则将所有类的样本投影到同一个特征空间中,忽略了各类样本分布特征的差异.本文提出类依赖的线性判别方法(Class-Specific LDA,CSLDA),对每一类样本寻找最优的投影矩阵,使得投影后能够更好地把该类样本与所有其他类的样本尽可能分开,并将该方法与经验核相结合,得到经验核空间中类依赖的线性判别分析.在人工数据集和UCI数据集上的实验结果表明,在输入空间和经验核空间里均有CSLDA特征提取后的识别率高于LDA.

关键词：线性判别分析、类依赖、特征提取、经验核映射、经验特征空间

所属期刊栏目：29

分类号：TP391.4(计算技术、计算机技术)

资助基金：江苏省自然科学基金项目BK2005122

在线出版日期：2008-07-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：894-897