特征提取算法的研究與改進.pdf

1、在模式識別領(lǐng)域中，如何利用已有樣本進行訓(xùn)練并提取特征，使各類樣本具有異于它類樣本的特征成為迫切需要解決的問題。目前雖有許多成熟的特征提取方法，但在某些情況下這些方法的性能并不理想，有改進的必要。根據(jù)樣本的類別個數(shù)，可以把模式識別分為兩種：兩類樣本問題和多類樣本問題?；诤说淖钚∑椒秸`差方法（KMSE）和Fisher判別分析方法（FDA）分別廣泛應(yīng)用于這兩種問題的特征提取過程中。本文對這兩種方法進行了分析和研究，并對它們進行了相應(yīng)的改進。

2、
　　我們通過分析KMSE模型的結(jié)構(gòu)得知此模型不具有唯一解。為了從KMSE模型的解空間中選擇最優(yōu)解，我們引入了一個衡量解向量優(yōu)劣的準則。此準則不僅能夠近似的說明通過KMSE提取到特征的可分性，而且不受解向量模的影響。利用引入的準則作為限制條件，我們給出了一種新的KMSE模型求解方案，并通過在Essex人臉數(shù)據(jù)庫上的實驗進行驗證。
　　KMSE模型的另一個缺點是特征提取效率與訓(xùn)練樣本的個數(shù)成反比。在得到一個樣本的特征提取結(jié)果之

3、前，KMSE模型必須計算與所有訓(xùn)練樣本同等個數(shù)的核函數(shù)。為了提高特征提取效率，基于判別向量可以由一部分關(guān)鍵樣本線性表示的假設(shè)，我們構(gòu)造了改進的KMSE模型。在此模型中，我們只需計算與關(guān)鍵樣本相同個數(shù)的核函數(shù)即可完成特征提取。而關(guān)鍵樣本只占訓(xùn)練樣本的很少一部分，因此改進的KMSE模型具有較高的特征提取效率。我們?yōu)榇四Ｐ驮O(shè)計了兩個算法，并通過六個樣本集上的實驗驗證了它們的有效性。
　　除了應(yīng)用于兩類樣本問題的KMSE模型，我們還分析了