论文部分内容阅读
本文主要是对核Fisher(KernelFisherDiscrimininantAnalysis,KFDA)的理论和算法展开研究,以更有效的解决大规模样本学习问题。针对核fisher算法的两方面内容展开:一个是KFDA的传统多类分类算法的改进;另一是基于特征提取的多类分类算法。本文针对传统KFDA算法在大规模问题中的不足,提出了一种新型的KFDA多类分类算法。在此算法的基础上,本文从空间几何的角度,揭示了KFDA算法的本质特性,并提出了一种核距离算法,实验结果表明了此算法较传统KFDA算法的优越性。另外,在大规模学习问题中,已有的KFDA分类算法普遍存在运算速度慢,对内存要求高等缺点,本文针对这些不足之处提出了一种新的基于聚类的分类算法,在USPS等数据上的实验结果表明该算法具有训练速度快,识别率高等优点。
最后,我们将本文提出的数种方法应用于人工嗅觉的气味分类应用中,实验结果表明,本文的方法对于提高分类速度及识别率等方面有良好的效果。