具有局部學(xué)習(xí)能力的特征提取技術(shù)研究及應(yīng)用.pdf

1、近年來(lái)，隨著模式識(shí)別技術(shù)在各個(gè)科技領(lǐng)域中顯得格外重要，作為模式識(shí)別技術(shù)的關(guān)鍵環(huán)節(jié)——特征提取技術(shù)，也受到了越來(lái)越多研究學(xué)者的關(guān)注?？萍夹畔⒌倪M(jìn)步伴隨著收集到的信息量的驟增，造成了數(shù)據(jù)的信息爆炸，特征提取技術(shù)作為解決“維數(shù)災(zāi)難”的有效途徑，被廣泛的研究與應(yīng)用。然而，一些傳統(tǒng)的經(jīng)典特征提取方法由于一系列的問(wèn)題，如小樣本問(wèn)題，非線性問(wèn)題等，不能得到很好的特征提取效果。故本文通過(guò)分析提出了一些具有局部學(xué)習(xí)能力的特征提取算法，本課題主要的研究貢獻(xiàn)

2、在于:
　　1.本文提出了一種具有局部學(xué)習(xí)能力的線性特征提取方法:基于局部子域最大間距判別分析LBMMC。該方法以線性判別分析LDA為基礎(chǔ)，指出LDA方法會(huì)因“小樣本”問(wèn)題而失效。本文提出的方法結(jié)合最大判別分析MMC,將散度比值改為散度差，有效地解決了“小樣本問(wèn)題”。同時(shí)，使用局部加權(quán)均值來(lái)代替原LDA中的標(biāo)準(zhǔn)均值，使局部信息得以更好的保持。
　　2.由于非線性的特征提取方法在揭露嵌入在樣本內(nèi)部的非線性結(jié)構(gòu)上有著良好的優(yōu)勢(shì)，

3、故本文在KFDA的基礎(chǔ)上提出了基于局部加權(quán)的非線性特征提取方法LWNFE。該方法能很好的反映樣本內(nèi)部的局部非線性結(jié)構(gòu)。
　　3.受到了矩陣模式的影響，本文提出了新的具有局部學(xué)習(xí)能力的特征提取方法:基于矩陣模式的局部子域最大間距判別分析Mat-LSMMC。該方法以矩陣模式MatFLDA為基礎(chǔ)，將樣本以向量的形式轉(zhuǎn)為矩陣模式結(jié)合局部加權(quán)的概念，保留了樣本行列之間的信息，具有更好的特征提取效果。
　　4.本文在特征線NFE的基礎(chǔ)上