一种适用于小样本问题的基于边界的特征提取算法

摘要：

特征提取技术是模式识别领域进行数据降维和强化判别信息的有效方法.线性判别分析是监督特征提取方法的典型代表,获得广泛应用,但受到小样本问题的制约.对此提出一种适用于小样本问题的基于边界的特征提取算法.算法利用高维数据小样本情况下线性可分概率增加以及其低维投影趋于正态分布的特点,定义了新的类别边界,不但考虑了由线性判别分析提出的类内、类间离散度,也兼顾各类别的方差差异性.通过极大化该边界获得最优投影向量,同时避免因类内离散度矩阵奇异导致的小样本问题.进一步将算法推广到多类问题.高光谱数据特征提取与分类实验表明,算法在小样本情况下对于两类和多类问题均具有良好的推广性能,优于多种线性判别分析的改进算法,并且在样本较多时也取得了满意结果.

关键词：特征提取、线性判别分析、小样本问题、模式分类、最大化类别边界

所属期刊栏目：30

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金60572097

在线出版日期：2007-09-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1173-1178