基于低秩分解的鲁棒典型相关分析

• 作者: 倪怀发 孙权森 沈肖波
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: 模式识别 特征抽取 数据降维 典型相关分析 低秩表示 低秩分解 低秩分量 噪声分量
• 年，卷（期）: 2017,（4）
• 页码范围: 491-497
• 页数: 7页
• 分类号: TP391
• 字数: 5085字
• 语种: 中文
• DOI: 10.11992/tis.201607024

摘要

典型相关分析(CCA)是一种经典的多特征提取算法,它能够有效地抽取两组特征之间的相关性,现已被广泛应用于模式识别.在含噪声数据情况下,CCA的特征表示性能受到限制.为了使CCA更好地处理含噪声数据,提出一种基于低秩分解的典型相关分析算法——鲁棒典型相关分析(robust canonical correlation analysis,RbCCA).RbCCA首先对特征集进行低秩分解,得到低秩分量和噪声分量,以此分别构建对应的协方差矩阵.通过最大化低秩分量的相关性,同时最小化噪声分量的相关性来建立判别准则函数,进而求取鉴别投影矢量.在MFEAT手写体数据库、ORL和Yale人脸数据中的实验结果表明,在包含噪声的情况下,RbCCA的识别效果优于现有的典型相关分析方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙权森	南京理工大学计算机科学与工程学院	112	1385	19.0	32.0
2	沈肖波	南京理工大学计算机科学与工程学院	3	20	1.0	3.0
3	倪怀发	南京理工大学计算机科学与工程学院	1	1	1.0	1.0