| 文章摘要 | 摘要 特征选择是在损失较少信息的情况下处理高维图像数据的关键技术,是高维数据预处理的重要步骤.通过引入Fisher判别分析(Fisher Discriminant Analysis，FDA)和典型相关分析(Canonical Correlation Analysis,CCA)的思想，采用以样本的类标号形式给出的先验信息，考虑样本数据的局部性，提出了一种监督的基于Fisher判别信息的局部保持多投影向量分析方法(Locality Preserving Multi-projection Vector Fisher Discriminant Analysis，LPMVF).通过定义新准则，LPMVF具有以下优点：(1)便于计算，可有效避免奇异性；(2)借助标准核映射，可快速将LPMVF推广到非线性的特征空间；(3)与CCA算法类似，LPMVF最终得到一对投影变换，可有效嵌入样本数据，可将原始数据投影成一系列“有用的”特征形式，并使数据的投影在嵌入空间中更具可分离性；(4)与局部化的Fisher判别分析(Local Fisher Discriminant Analysis,简称LFDA)相比，LPMVF也能够有效保持数据样本间的局部近邻关系；(5)在大多数情况下，该文算法的学习能力甚至优于经典的FDA、KFD和LFDA算法.在几个标准数据集上的实验结果表明,LPMVF及其非线性的推广算法能够提取出描述能力更强的特征信息，可有效利用类标号监督信息提高分类性能.
关键词 局部保持；多投影向量；特征选择；分类；判别分析
中图法分类号 TP18 DOI号: 10.3724/SP.J.1016.2010.00865 |