论文部分内容阅读
本文就两分类问题,研究了两种线性判别:主分量分类器和Fisher判别分析。 主分量分类器是在两类样本投影代数和最大的前提下,获得最佳投影方向(分类面法方向),实现样本分类。它的不足之处在于:1.认为所有样本(包括野值)对分类面设计的贡献相等:2.只考虑了一个野值;3.没有考虑噪声对分类面的影响。鉴于以上不足,本文引入k—近邻、加权等策略,在PCC基础上,设计了一组增强型主分量分类器,其鲁棒性、推广能力均强于PCC。 Fisher判别用类间离散度描述不同类样本分离程度,用类内离散度刻划类内样本疏密程度。但类间离散度矩阵的秩最大只能为1,决定了FLDA只能取一个判别方向(最大特征值对应的特征向量),无法利用其它方向的判别信息。为打破这种限制,本文采用一种新的度量来衡量异类样本的分离程度,取代Fisher判别的类间离散度,改进后的判别称之为多特征线性判别,它不仅可以利用多个方向的判别信息,灵活选择判别方向的个数,而且推广能力优于FLDA,在某些情形下甚至超过了SVM。 在人工数据集和国际标准(部分UCI和VISTA)数据集上的实验,证实了所提模型的优越性。