文献类型：期刊文章

作　　者：何进荣[1] 丁立新[1] 崔梦天[2,3] 胡庆辉[1,4]

机构地区：[1]武汉大学计算机学院软件工程国家重点实验室,武汉430072 [2]西南民族大学计算机科学与技术学院,成都610041 [3]电子科技大学计算机科学与工程学院,成都610000 [4]桂林航天工业学院信息工程系,广西桂林541004

出　　处：《计算机学报》

基　　金：国家自然科学基金(61379019);中央高校基本科研业务费专项资金(2012211020209);广东省省部产学研结合专项资金(2011B090400477);珠海市产学研合作专项资金(2011A050101005,2012D0501990016);珠海市重点实验室科技攻关项目(2012D0501990026);广西高校科研重点项目(ZD2014147);中国博士后科学基金(2013M540704);四川省学术和技术带头人培养资金;四川省博士后科研基金资助

年　　份：2014

卷　　号：37

期　　号：10

起止页码：2196-2205

语　　种：中文

收录情况：BDHX、BDHX2011、CSA、CSA-PROQEUST、CSCD、CSCD2013_2014、EI(收录号：20144400135690)、INSPEC、JST、MR、SCOPUS、ZGKJHX、核心刊

摘　　要：边界Fisher分析是一种经典的有监督线性降维方法,被广泛用于高维数据的模式分类.由于边界Fisher分析算法中涉及到矩阵求逆的运算,在数值计算中会产生矩阵的奇异性问题,尤其当样本的个数小于样本的维数时,导致所谓的"小样本问题".采用主成分分析方法对样本数据进行预处理可以克服奇异性问题,然而可能会损失样本的某些判别信息.针对此不足之处,根据矩阵指数的非奇异性,对边界Fisher分析中的散度矩阵进行矩阵指数变换,从而克服了矩阵求逆中的奇异性问题.理论分析表明,该方法等价于零空间上的边界Fisher分析,有效利用了类内散度矩阵的零空间上的信息,因此其判别能力得到了增强.数据可视化和人脸识别实验表明,该方法可以有效挖掘样本中潜在的判别特性,提高分类性能.

关 键 词：边界Fisher分析  小样本问题 矩阵指数 人脸识别 数据挖掘

分 类 号：TP181]