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