基于分?jǐn)?shù)階的多重集典型相關(guān)分析算法研究.pdf

1、基于廣義相關(guān)性度量最大化的思想，將典型相關(guān)分析(CCA)推廣到多個(gè)數(shù)據(jù)集上，即多重集典型相關(guān)分析(MCCA)，所以MCCA研究的是多個(gè)數(shù)據(jù)集的相關(guān)關(guān)系。通過(guò)引入正交、核方法、監(jiān)督信息、局部保持等思想，豐富了基于MCCA的模式識(shí)別算法理論。為了減小抽取樣本特征時(shí)產(chǎn)生的誤差，分?jǐn)?shù)階的思想被提出用來(lái)減小這種誤差。
　　本文將分?jǐn)?shù)階的思想與基于MCCA的算法理淪相結(jié)合，對(duì)相關(guān)算法進(jìn)行了深入研究與論證。具體工作如下:
　　(1)從傳統(tǒng)

2、的正交多重集典型相關(guān)分析(OMCCA)和的多重集典型相關(guān)分析(FMCC)入手，結(jié)合正交和分?jǐn)?shù)階的思想，對(duì)MCCA的最優(yōu)化模型加以改進(jìn)，提出了分?jǐn)?shù)階嵌入的正交多重集典型相關(guān)分析(FOMCC)，并且在模式識(shí)別中取得了很好的識(shí)別效果。
　　(2)以FOMCC為基礎(chǔ)，從線性的角度審視該方法的不足之處，借鑒核化的多重集典型相關(guān)分析(KMCCA)中的核方法改進(jìn)FOMCC的最優(yōu)化模型，提出了分?jǐn)?shù)階嵌入的核化的正交多重集典型相關(guān)分析(KFOMCC

3、)，同樣取得了很好的識(shí)別效果。
　　(3)從兩個(gè)不同的角度引入監(jiān)督信息，利用樣本的類(lèi)別信息，同時(shí)結(jié)合分?jǐn)?shù)階的思想，提出了兩種新的監(jiān)督學(xué)習(xí)方法:分?jǐn)?shù)階嵌入的廣義多重集典型相關(guān)分析(FGMCC)和分?jǐn)?shù)階嵌入的鑒別多重集典型相關(guān)分析(FDMCC)，并做了一系列的對(duì)比實(shí)驗(yàn)驗(yàn)證了這兩種方法的有效性。
　　(4)將局部保持的思想引入到多重集典型相關(guān)分析中，同時(shí)結(jié)合分?jǐn)?shù)階的思想，改進(jìn)了MCCA的最優(yōu)化模型，提出了分?jǐn)?shù)階嵌入的局部保持多重集