FKA算法迭代收敛性分析

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (34): 40-44.

FKA算法迭代收敛性分析

刘忠宝1，2，赵文娟3

1.中北大学电子与计算机科学技术学院，太原 030051
2.江南大学物联网工程学院，江苏无锡 214122
3.山西大学商务学院信息学院，太原 030031

出版日期:2012-12-01 发布日期:2012-11-30

Iterative convergence analysis on algorithm FKA

LIU Zhongbao1，2, ZHAO Wenjuan3

1.School of Electronics and Computer Science Technology, North University of China, Taiyuan 030051, China
2.School of IoT Engineering, Jiangnan Univerisity, Wuxi, Jiangsu 214122, China
3.Information School, Business College of Shanxi University, Taiyuan 030031, China

Online:2012-12-01 Published:2012-11-30

摘要/Abstract

摘要： 《核选择和非线性特征提取的双线性分析》一文提出了一种新颖的核Fisher准则FKC, 并用迭代分析算法FKA求得最优解，但其迭代收敛性缺乏理论上的证明。从理论上对FKA算法的迭代收敛性进行了分析和探讨，并运用Radermacher复杂性分析法进行证明。

关键词: 迭代收敛性分析, 线性判别分析, Radermacher复杂性分析, 核Fisher准则

Abstract: In the paper “bilinear analysis for kernel selection and nonlinear feature extraction” （IEEE Trans on NN, 2007, 18（5））, the authors presented a unified criterion, Fisher and Kernel Criterion（FKC）, for feature extraction and recognition and used an iterative procedure to optimize the new criterion. But there is still no theoretical discussion concerning the convergence issue of such an iterative procedure. An iterative convergence analysis of Fisher and Kernel analysis algorithm（FKA） is povided using the concept of Radermacher complexity.

Key words: iterative convergence analysis, Linear Discriminant Analysis, Radermacher complexity, Fisher and Kernel Criterion（FKC）

刘忠宝1，2，赵文娟3. FKA算法迭代收敛性分析[J]. 计算机工程与应用, 2012, 48(34): 40-44.

LIU Zhongbao1，2, ZHAO Wenjuan3. Iterative convergence analysis on algorithm FKA[J]. Computer Engineering and Applications, 2012, 48(34): 40-44.

[1]	黄广俊，邓元龙. 融合改进LBP和SVM的偏光片外观缺陷检测与分类[J]. 计算机工程与应用, 2020, 56(22): 251-255.
[2]	徐竟泽，吴作宏，徐岩，曾建行. 融合PCA、LDA和SVM算法的人脸识别[J]. 计算机工程与应用, 2019, 55(18): 34-37.
[3]	刘清华1，赖裕平2，丁洪伟1，杨志军1，崔晓龙3. 基于SVM的蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2019, 55(11): 136-141.
[4]	余景丽，胡恩良，张涛. 一种新的L1度量Fisher线性判别分析研究[J]. 计算机工程与应用, 2018, 54(4): 128-134.
[5]	郭克友，王艺伟，郭晓丽. LDA与LSD相结合的车道线分类检测算法[J]. 计算机工程与应用, 2017, 53(24): 219-225.
[6]	林静，吴锡生. 基于虚拟样本的改进人脸识别算法研究及应用[J]. 计算机工程与应用, 2017, 53(23): 123-128.
[7]	石陆魁1，2，刘文浩1，李站茹1. 基于LDA和小波分解的肺音特征提取方法[J]. 计算机工程与应用, 2017, 53(22): 116-120.
[8]	胡荣耀1，2，刘星毅2，3，程德波1，2，何威1，2. 基于稀疏学习的低秩属性选择算法[J]. 计算机工程与应用, 2017, 53(10): 132-138.
[9]	徐仙1，2，卢先领1，2，王洪斌1，2. 行为识别中基于GA优化的加速度特征选择方法[J]. 计算机工程与应用, 2016, 52(6): 139-143.
[10]	武斌1，马桂香2，武小红2. FUDT在苹果近红外光谱分类中的应用[J]. 计算机工程与应用, 2016, 52(3): 193-196.
[11]	邢玉娟，曹晓丽，谭萍，李恒杰. 基于WLDA和i-稀疏表示分类的说话人确认[J]. 计算机工程与应用, 2016, 52(13): 173-176.
[12]	钟森海，汪烈军，张莉. 小样本条件下的人脸特征提取算法[J]. 计算机工程与应用, 2015, 51(8): 165-169.
[13]	李球球，杨恢先，奉俊鹏，蔡勇勇，翟云龙. 2DPCA+2DLDA和改进的LPP相结合的人脸识别算法[J]. 计算机工程与应用, 2015, 51(21): 199-204.
[14]	徐国青1，朱兆旻1，卢春红1，顾晓峰1，胡峥2. iOS平台下人脸识别系统设计与实现[J]. 计算机工程与应用, 2015, 51(10): 182-185.
[15]	冯华丽1，刘渊2. M2DPCA与CCLDA相结合的人脸识别[J]. 计算机工程与应用, 2014, 50(12): 129-132.