基于深度学习的监督型典型相关分析

作者：张恒; 陈晓红; 蓝宇翔; 李舜酩

来源：计算机工程, 2022, 48(05): 222-228.

DOI：10.19678/j.issn.1000-3428.0061291

• 典型相关分析
• 深度神经网络
• 交叉熵
• 数据降维
• 监督学习

典型相关分析（CCA）是利用综合变量对之间的相关关系反映两组指标之间整体相关性的多元统计方法。传统的CCA方法无法有效利用样本的标签信息，导致准确率降低。将类信息融入到深度学习与CCA相结合的深度典型相关分析中，提出一种监督型降维方法 DL-SCCA，用于处理带标签的非线性可分数据。在2个独立的深度神经网络（DNN）结构上，增加1个公共的输出维数与数据集类别数相同的全连接层，并且以softmax函数作为该层的激活函数，输出带有概率意义的编码向量。在此基础上，利用全连接输出与样本标签信息之间的交叉熵对DNN进行训练，获得分类性能较优的低维特征。实验结果表明，该方法采用最近邻分类器和网络本身结构得到的分类准确率分别为98.00%和97.82%，相比CCA、DisCCA、DCCA等方法，能够有效利用样本的标签信息，并且具有较优的分类性能。

• 单位
  南京航空航天大学