边界监督多重集典型相关分析
杨静1
高希占2
1.聊城大学数学科学学院 ,山东聊城,2520592.南京理工大学计算机科学与工程学院 ,江苏南京,210094
摘要：多重集典型相关分析(multiset canonical correlation analysis,MCCA)仅仅考虑了多组数据间的相关性信息,不能有效地反映样本数据的几何结构与鉴别信息,因此为了解决这个问题,首先在LDA思想的启发下,构建了监督多重集典型相关分析(supervised multiset canonical correla-tion analysis,SMCC)的理论框架,并以此为基础,结合边界Fisher分析(marginal fisher analysis,MFA),提出了边界监督多重集典型相关分析(marginal SMCC,MSMCC).该算法的基本思想是在最大化数据相关性的同时,还要最大化组内数据的类间离散度以及最小化组内数据的类内离散度.在人脸图像与目标数据库上的实验结果验证了所提算法的有效性.
关键词：典型相关分析多重集典型相关分析特征抽取降维监督学习
分类号：TP391(计算技术、计算机技术)
资助基金：国家自然科学基金(11801248)山东省自然科学基金(ZR2018BF010)
论文发表日期：2019-01-01
在线出版日期：2026-08-28（本平台首次上网日期，不代表文献的发表时间）
页数：10( 13-22 )
英文信息