摘要:将数据集进行合理的维数约简对于一些机器学习算法效率的提高起着至关重要的影响。该文提出了一种利用数据点邻域信息的线性监督降维算法:近邻边界Fisher判别分析(Neighborhood Margin Fisher Discriminant Analysis,NMFDA)。NMFDA尝试将每一数据点邻域内最远的同类数据点和最近的异类数据点之间的边界在投影子空间内尽可能地扩大,从而提高基于距离的识别算法的准确率。同时为了解决非线性降维问题,提出了Kernel NMFDA,通过在几个标准人脸数据库上与其它降维算法的对比识别实验,验证了提出算法的有效性。
关键词:维数约简 流形学习 主成份分析 fisher判别分析 人脸识别
单位:同济大学计算机科学与技术系 上海201804 中国科学院半导体所 北京100083
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社