论文部分内容阅读
近年来，随着模式识别技术在各个科技领域中显得格外重要，作为模式识别技术的关键环节——特征提取技术，也受到了越来越多研究学者的关注。科技信息的进步伴随着收集到的信息量的骤增，造成了数据的信息爆炸，特征提取技术作为解决“维数灾难”的有效途径，被广泛的研究与应用。然而，一些传统的经典特征提取方法由于一系列的问题，如小样本问题，非线性问题等，不能得到很好的特征提取效果。故本文通过分析提出了一些具有局部学习能力的特征提取算法，本课题主要的研究贡献在于: 1.本文提出了一种具有局部学习能力的线性特征提取方法:基于局部子域最大间距判别分析LBMMC。该方法以线性判别分析LDA为基础，指出LDA方法会因“小样本”问题而失效。本文提出的方法结合最大判别分析MMC,将散度比值改为散度差，有效地解决了“小样本问题”。同时，使用局部加权均值来代替原LDA中的标准均值，使局部信息得以更好的保持。 2.由于非线性的特征提取方法在揭露嵌入在样本内部的非线性结构上有着良好的优势，故本文在KFDA的基础上提出了基于局部加权的非线性特征提取方法LWNFE。该方法能很好的反映样本内部的局部非线性结构。 3.受到了矩阵模式的影响，本文提出了新的具有局部学习能力的特征提取方法:基于矩阵模式的局部子域最大间距判别分析Mat-LSMMC。该方法以矩阵模式MatFLDA为基础，将样本以向量的形式转为矩阵模式结合局部加权的概念，保留了样本行列之间的信息，具有更好的特征提取效果。 4.本文在特征线NFE的基础上提出了基于特征线子空间嵌入的非线性特征提取方法NFE-NFL。该方法结合了“核技术”，并利用特征线之间的联系构造拉普拉斯图，具有更好的分类效果。