类依赖的相关性多类分类器

摘要：

典型相关分析(CCA)是利用样本的相关性进行特征提取的一种重要的降维方法,而相关性判别分析(CDA)则是在特征空间中最大化同类样本对间的相关性,同时最小化不同类样本时间的相关性,可看作类依赖的典型相关分析.这两种方法的特征提取与其后的分类器是两个相互独立的过程,如此不可避免地会影响分类器的性能.借助正则单纯形的顶点等距并具有仿射不变性的特性,将其作为类标号编码,把样本中包含的类信息结合到分类器设计中,最大化各个样本与其类标号的相关性,同时最小化样本与其余类标号之间的相关性,得到类依赖的相关性多类分类~(CCMC).进一步通过与经验核相结合,获得了具有更强分类性能的核化版非线性分类器EK-CCMC.人工数据集和部分UCI数据集上的实验结果表明,利用类依赖的相关性直接设计分类器可以提高分类性能.

关键词：典型相关分析、线性判别分析、特征提取、类依赖、多类分类器设计

所属期刊栏目：46

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金the National Natural Science Foundation of China under Grant 60773061

在线出版日期：2010-03-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：7-10,82