典型关联性分析(Canonical Correlation Analysis,简称CCA)是研究两个随机变量间线性相关性的多元统计分析方法,它在特征提取方面已经有了很多应用探究,但在提取典型相关特征可视化方面还鲜有讨论。基于此,本文对经典典型关联性分析方法进行改进,提出了一种新方法——基于牛顿冷却模型的典型关联性分析,并将其应用到多组关联性数据的典型相关问题中,实现了典型相关特征的可视化提取。基于牛顿冷却模型的典型关联性分析方法的主要思路如下:首先,将在同一模式下的样本集按某一类别分成N类样本空间,使得数据的类信息能够得到充分利用。接着将这N类样本空间两两配对得到N(N-1)/2对样本空间,并对每个配对样本空间进行典型相关性分析(一共进行N(N-1)/2次典型相关分析),从而得到相应的典型变量系数向量对。进而运用牛顿冷却模型将得到的前d对典型变量系数向量的绝对值进行融合,得到一对新的典型变量系数向量。因此,N(N-1)/2对样本空间都将得到一对融合后的新的典型变量系数向量。最后,在同一个坐标系下,按样本特征分别画出N(N-1)/2个样本特征对应的典型变量系数的散点图,并观察典型变量系数散点图的离散程度,本文以散点间的平均距离、最大距离和最小距离的比值作为特征散点图离散程度的评价指标,指标值越大代表散点离散程度越大,说明该特征越典型相关,因此,我们可以通过典型变量系数散点图直观的判断特征的典型相关性,从而实现典型相关特征的可视化提取。本文通过三个实测数据集(冠心病患者数据、自闭症患者数据、白葡萄酒品质数据)进行实验,发现基于牛顿冷却模型的典型关联性分析方法在多组关联性数据的典型相关特征提取问题上的性能非常优越,成功提取了冠心病、自闭症、白葡萄酒品质的典型相关特征,这对冠心病和自闭症患者的临床治疗有极大地帮助,对白葡萄酒品质的鉴定有重要意义。实验结果在证实本文所提出的基于牛顿冷却模型的典型关联性分析方法性能优越的同时,还表明提取典型相关特征效果和样本空间的类数N的大小以及样本空间的相关程度有重要关联,即样本类数及样本空间的相关系数越大,特征提取的效果越好。此外,本文提出的牛顿冷却模型融合典型变量系数的方法不仅使我们可以充分利用多对典型变量系数间的信息,并且能通过可视化方法展示所提取的典型相关特征在关联性数据中所表现出的自身特性,从而丰富了典型相关分析在特征提取方面的应用空间。