基于值域空间中类零子空间分析的模式判别

本文提出了一种新的基于值域空间中类零子空间分析(CNSA)的模式判别方法。CNSA方法首先获取全体训练样本的值域空间,然后在值域空间中定义了各个子类的类零子空间(CNS)及其正交补空间。类零子空间及其正交补空间上都含有有效判别信息。CNS上的类内距离为零,第i类的样本到其中心的相对距离远小于到其他类的中心的距离。在对值域空间和新的CNS的性质进行分析的基础上,构造到各个类的特征空间的投影矩阵。通过计算待测样本到各特征子空间的距离,CNSA算法不但能够对属于已知模式的样本作分类判决,还能发现新模式类。在太赫兹时域光谱数据集和COIL100数据库上,将提出的CNSA算法与相关算法进行了实验比较,实验结果验证了本文CNSA算法的优越性。     

值域空间超球面上的判别分析

Fisher线性判别分析(LDA)是模式识别中使用最广泛的线性分析方法之一。然而,实际应用中,样本数量相对于样本空间的维数而言是很少的,即样本在高维空间中呈稀疏分布。LDA采用基于欧式距离的度量方法将会使判别向量趋向于较大的类间距离。从而,可能融合距离较近的类。我们用超球面模型表示数据在高维空间中的结构信息,提出一种值域空间中的超球面判别分析方法(RHDA)。RHDA方法将数据映射到其值域空间的单位超球面上;在值域空间超球面上计算各个子类的判别子空间;最后,计算测试样本与各个判别子空间中子类均值向量间的距离。RHDA将测试样本判别为第 类仅当测试样本与第 类的均值向量的距离最小。超球面判别分析采用单位超球面上数据的归一化向量来表示样本向量的结构信息,它主要针对于基于欧式距离的判别分析所引起的判别向量偏离问题。最后本文还提出了值域空间超球面核判别分析方法。超球面核判别分析方法为高维空间中对不同数据采用不同映射提供了可能。在不同数据库上的分类实验结果证实了RHDA相对于 LDA及其相关推广算法的优良性。