基于分塊和核參數(shù)選擇的KPCA研究.pdf

1、自從二十世紀九十年代以來，核方法已經(jīng)被廣泛應用于模式識別與機器學習領域。作為一種基于非線性映射的非線性方法，核方法等價于先將原始數(shù)據(jù)通過非線性映射變換到一高維空間后的線性特征提取手段，其優(yōu)勢在于核方法允許研究者在原始數(shù)據(jù)對應的高維特征空間使用線性方法來分析和解決問題，不需要直接對數(shù)據(jù)進行映射。因此與普通的非線性方法相比，核方法的計算負擔要小很多。另一方面，一般的非線性方法映射的維數(shù)往往過高不受控制，而核方法能夠有效地規(guī)避“維數(shù)災難”問題

2、。基于核函數(shù)的主成分分析（KPCA）是模式分類問題中最常見的核方法之一。KPCA的執(zhí)行等效于：首先使用非線性映射將樣本變換到一個新的特征空間，然后在此特征空間中實施主成分分析（PCA）的方案。作為一種非線性主成分分析方法，尤其是對存在復雜的非線性關系的原始數(shù)據(jù)進行特征提取時，KPCA相比PCA能提取到更有利于分類的特征。
　　KPCA同PCA一樣，是一個全局方法，因此使用KPCA提取特征時，只能提取到整體特征而忽略了局部特征。在局

3、部特征很重要的情況下，使用KPCA進行特征提取將會丟掉很多有可能很重要的局部信息。作為對原始KPCA的改進，本文第一次提出將分塊機制引入KPCA，即首先將模式分為幾個子塊，然后對每個子塊使用KPCA進行特征提取。分塊KPCA（BKPCA）通過對模式的每個子塊提取特征來提取局部特征。為了驗證BKPCA的有效性，我們將該方法應用于環(huán)境因素變化的人臉識別中。在三個人臉庫上的實驗表明了BKPCA能夠有效地減少環(huán)境因素對人臉識別結(jié)果的影響。因此，

4、BKPCA是一個有效的局部特征提取算法。
　　核方法的一個重要特點是其核函數(shù)中存在可調(diào)參數(shù)。不論使用哪一種核方法，也不論使用哪一種核函數(shù)形式，都需要具體設定核函數(shù)的參數(shù)；而且參數(shù)取不同值往往對應大不相同的應用效果。因此，對核方法進行參數(shù)選擇以實現(xiàn)模型優(yōu)化是核方法研究的一個重要方面。本文第一次提出借助一種比值（稱作特征比）來調(diào)節(jié)KPCA的核參數(shù)值，在基準數(shù)據(jù)集上的實驗證明了特征比與分類結(jié)果密切相關。因此在調(diào)節(jié)KPCA的核參數(shù)值時，可