基于矩陣模式和向量子模式表示的特征提取及其分類.pdf

1、特征提取是模式識別領(lǐng)域中的一個關(guān)鍵問題,它強(qiáng)烈地影響著分類器的設(shè)計及其性能.特征提取的基本任務(wù)是如何從眾多特征中找出最有效的特征.現(xiàn)有的特征提取方法主要有基于統(tǒng)計的特征提取(主分量分析(PCA)和Fisher線性判別分析(FLDA)是兩種最常用的方法)、基于知識的特征提取及基于神經(jīng)網(wǎng)絡(luò)的特征提取等.在本文中,我們在PCA和FLDA方法的基礎(chǔ)上提出了兩類特征提取新方法,即基于矩陣模式和基于子向量的特征提取方法,并隨后用于模式的分類.現(xiàn)普遍

2、使用的PCA、FLDA方法,是針對向量模式進(jìn)行的特征提取和降維方法,亦即,所有的模式都要進(jìn)行向量化的操作,因此對于矩陣表示的模式(如圖像)就必須首先將其轉(zhuǎn)換成向量.這種方法存在著兩個主要的缺點(diǎn):1)矩陣模式中對分類有用的結(jié)構(gòu)信息很可能會因為向量化的操作而遭到破壞;2)向量化的操作極大的增加了特征提取及隨后識別的運(yùn)算復(fù)雜度.我們提出的基于矩陣表示模式的特征提取方法(MatPCA和MatFLDA),不僅能直接處理向量表示的模式更能處理矩陣表

3、示的模式,因此避免了上述問題.另外對于向量表示的模式,我們通過矩陣化重組將其轉(zhuǎn)化成矩陣表示的形式,然后使用MatPCA和MatFLDA方法進(jìn)行特征提取.前面提到的MatPCA和MatFLDA是將向量表示的模式轉(zhuǎn)換成矩陣表示的模式后再分別進(jìn)行PCA和FLDA的方法,它具有先組合后提取的過程.而作為相反方向,我們考慮能否將向量表示的模式分成若干個子向量再進(jìn)行PCA和FLDA呢.在該文的后一部分,我們就對此進(jìn)行了研究,提出了具有先分解后提取過