基于典型相關分析的多視圖特征提取技術研究.pdf

1、近年來多視圖學習引起了眾多研究者的關注。在多視圖學習中,數(shù)據(jù)以多個視圖(或特征集)的形式來描述。使用多視圖數(shù)據(jù)的一個優(yōu)點是可以利用不同視圖之間的互補信息和相關信息。大多數(shù)現(xiàn)有的多視圖學習方法是從不同視圖上獨立、交替地訓練分類器；這些方法利用了視圖之間的互補信息,但是并沒有利用相關信息。在機器學習領域,典型相關分析常用于分析不同視圖間的相關,提取關聯(lián)不同視圖的相關特征。不過,原始的典型相關分析是一種無監(jiān)督的學習模型,不能利用數(shù)據(jù)的標號信息

2、,因此基于典型相關分析建立的分類器在大多數(shù)情況下并不具備較好的推廣能力。在本文中,我們關注于對典型相關分析模型作進一步拓展,提出具備更好的推廣能力的分類模型。
　　 首先,我們將交叉相關思想引入到典型相關分析中,提出了一個新的特征提取算法,稱為隨機相關分析。在隨機相關分析中,我們不僅分析了同一樣本不同視圖之間的相關關系,而且還分析了同一類別的樣本不同視圖之間的相關關系,這有助于保留類間的判別信息。由于同時具備了典型相關分析與交叉

3、相關的優(yōu)點,隨機相關分析不僅可以提取相關特征,還可以在降維后保留盡可能多的判別信息,從而可以建立推廣能力更好的分類模型。在多特征數(shù)據(jù)集及三個人真實人臉數(shù)據(jù)庫上的實驗說明了隨機相關分析的有效性。
　　 其次,本文將集成技術應用于隨機相關分析,提出了一個新的集成學習算法,稱為隨機相關集成,進一步提高了隨機相關分析的推廣能力。在隨機相關集成中,我們利用隨機相關分析提取的相關特征來訓練個體分類器,充分利用了不同視圖之間的相關信息。另外由