论文部分内容阅读
在保留数据本质特征的前提下,降低数据维度是一种重要的分类预处理手段。深入分析了核Fisher判别(KFD)方法与核化全局局部保持Fisher投影(KLFDA)方法的相互关系与优缺点,提出了一种新的基于类内特性保持的核化Fisher判别分析方法(LW-KFD)。在保留KFD全局最优投影能力的同时,解决了KLFDA的过度局部保持问题,从而对重叠(离群)样本与多态分簇样本都能实现有效的分类投影。提出了快速训练算法,解决了大量训练样本时的内存溢出问题。仿真实验与说话人辨别应用表明,该方法具有很强的适应性, 并提高