论文部分内容阅读
针对高维小样本问题,对传统的"PCA+LDA"处理方法进行了两方面改进:首先,在降维过程中,选取主元的原则是使得Fisher准则函数取得较大值,而不是使得投影后样本在投影空间里的方差最小;其次,根据训练样本在模式空间的几何分布情况,重新定义了类内散度矩阵Sw,使之更准确地反映类内样本间的分布关系,提高了准则模型的精确性。实验结果证明了本文方法的有效性,和同类方法相比,就识别率而言,有较大提高。