边界监督多重集典型相关分析

作者：杨静; 高希占^*

来源：聊城大学学报(自然科学版), 2019, 32(03): 13-22.

DOI：10.19728/j.issn1672-6634.2019.03.002

• 典型相关分析
• 多重集典型相关分析
• 特征抽取
• 降维
• 监督学习

多重集典型相关分析(multiset canonical correlation analysis,MCCA)仅仅考虑了多组数据间的相关性信息,不能有效地反映样本数据的几何结构与鉴别信息,因此为了解决这个问题,首先在LDA思想的启发下,构建了监督多重集典型相关分析(supervised multiset canonical correlation analysis,SMCC)的理论框架,并以此为基础,结合边界Fisher分析(marginal fisher analysis,MFA),提出了边界监督多重集典型相关分析(marginal SMCC,MSMCC).该算法的基本思想是在最大化数据相关性的同时,还要最大化组内数据的类间离散度以及最小化组内数据的类内离散度.在人脸图像与目标数据库上的实验结果验证了所提算法的有效性.

• 单位
  南京理工大学; 聊城大学