基于语境距离度量的拉普拉斯最大间距判别准则

摘要：

线性拉普拉斯判别准则(Linear Laplacian discrimination,LLD)作为一种非线性特征提取方法得到了较为成功的运用.然而通过分析得知在具体使用LLD方法的过程中还会面临小样本以及如何确定原始样本空间类型的问题.因此,本文引入语境距离度量并结合最大间距判别准则的基本原理提出一种基于语境距离度量的拉普拉斯最大间距判别准则(Contextual-distance metric based Laplacian maximum margin criterion,CLMMC).该准则不但在一定程度上避免小样本问题,而且由于语境距离度量更关注输入样本簇内在的本质结构而不足原始样本空间的类型,从而降低了该准则对特定样本空间的依赖程度.同时通过引入计算语境距离度量的新算法并结合QR分解的基本原理,使得CLMMC在处理高维矢量模式数据时更具适应性和效率.并从理论上讨论CLMMC准则具有的基本性质以及与LLD准则的内在联系.实验证明CLMMC准则具有上述优势.

关键词：线性拉普拉斯判别准则、语境距离度量、最大间距判别准则、QR分解

所属期刊栏目：36

分类号：TP3(计算技术、计算机技术)

资助基金：国家自然科学基金60773206;60903100;90820002;江苏省普通高校研究生科研创新计划CX09B-175Z;盐城工学院应用基础研究项目XKY2009070

在线出版日期：2011-03-25（万方平台首次上网日期，不代表论文的发表时间）

页码：1661-1673