基于Kreǐn空间的两阶段子空间学习

• 作者: 史娜 薛晖
• 来源期刊: 东南大学学报（自然科学版）
• 学科: 工学
• 关键词: Kreǐn空间 不定核 不定核Fisher判别分析 不定核典型相关分析 不定核主成分分析
• 年，卷（期）: 2019,（3）
• 页码范围: 589-594
• 页数: 6页
• 分类号: TP391.4
• 字数: 3983字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-0505.2019.03.026

摘要

为了解决不定核Fisher判别分析(IKFDA)在处理高维小样本数据时的病态问题,基于Kreǐn空间提出了两阶段的IKFDA学习框架TP-IKFDA;为了解决不定核典型相关分析(IKC-CA)在处理高维小样本数据时的过拟合问题,提出了两阶段的IKCCA学习框架TP-IKCCA.通过不定核主成分分析(IKPCA)进行降维处理,减弱高维特征所带来的负面影响;然后,在降维后的特征空间中进行Fisher判别分析(FDA)或典型相关分析(CCA).真实数据集上的试验结果表明,与IKPCA、IKFDA以及IKFDA的改进算法相比,TP-IKFDA的分类精度明显提高;TP-IKC-CA相较于现有的IKCCA模型泛化性能得到了进一步改善.因此,在处理高维小样本数据时,TP-IKFDA和TP-IKCCA的实际泛化性能优于现有的不定核子空间学习技术.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	史娜	东南大学计算机网络和信息集成教育部重点实验室	2	0	0.0	0.0
2	薛晖	东南大学计算机科学与工程学院	11	26	3.0	4.0