基于稀疏表示的多重集典型相關分析算法研究.pdf

1、典型相關分析(CCA)是一種有效的研究模式識別中兩組特征數據之間相關性問題的特征提取算法?，F實世界中，同一模式總是表現出多種不同的的特性，因此本文從融合多組特征的角度出發(fā)，以基于稀疏表示的多重集典型相關分析算法(MCCA)為研究基礎，結合核技術、樣本類別信息、最大間距準則等相關基本理論知識，建立了一系列特征提取、特征融合的算法。本文主要研究工作如下:
　　(1)由于稀疏保持投影的典型相關分析算法并不能滿足實際工作中非線性問題的需要

2、，在核技術啟發(fā)下，研究了基于核的稀疏保持投影的典型相關分析算法(KSPCCA)。在此基礎上，為了避免最優(yōu)核函數選擇的問題，以及滿足多特征融合的需要，結合多核學習的思想，以及稀疏保持投影的多重集典型相關分析算法(SPMCCA)，研究了簡單的基于多核的稀疏保持投影的多重集典型相關分析算法(sMKSPMCCA)。
　　(2)用L2范數求解稀疏表示的正則化方程，可以得到協(xié)作表示系數，用協(xié)作表示系數建立樣本重構鄰接矩陣，提取子空間特征，得出

3、協(xié)作表示投影算法(CRP);CRP沒有考慮類別信息，從而加入類別信息，研究了協(xié)作表示鑒別算法理論(CRD);再分別結合MCCA與核方法，研究了協(xié)作表示投影的多重集典型相關分析算法(CRMCCA)、基于核的協(xié)作表示投影的多重集典型相關分析算法(KCRMCCA)、協(xié)作表示鑒別的多重集典型相關分析算法(CDMCCA)、基于核的協(xié)作表示鑒別的多重集典型相關分析算法(KCDMCCA)。
　　(3)求解稀疏表示系數只考慮同類樣本，求得同類樣本