《计算机工程与应用》唯一官方网站
 首页  |  期刊介绍  |  编委会  |  投稿指南  |  道德声明  |  中图分类号  |  期刊订阅  |  联系我们  |  English
journal6
机器学习 最新目录 | 下期目录 | 过刊浏览 | 高级检索  |   
局部判别型典型相关分析算法
彭 岩,张道强
南京航空航天大学 计算机科学与工程系,南京 210016,China
Locality discriminative canonical correlation analysis algorithm
PENG Yan,ZHANG Dao-qiang
Department of Computer Science and Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China
 全文: PDF (791 KB)   HTML (0 KB)  输出: BibTeX | EndNote (RIS)      背景资料
摘要 在典型相关分析(CCA)的基础上,通过引入样本的类信息,并结合局部化思想,充分考虑了同类样本之间的局部相关与不同类样本之间的局部相关关系及其对分类的影响,提出了一种新的有监督学习方法——局部判别型CCA(Locality Discriminative CCA,简记为LDCCA)。LDCCA提取的特征能够实现同类样本之间相关最大化,同时使得不同类样本之间相关最小化,这将有利于模式的分类。在人工数据集,手写体数字数据集上和ORL,Yale和AR人脸数据集的实验结果表明,LDCCA能有效地利用类信息来提高分类性能。
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
关键词典型相关分析   特征提取   局部化判别   降维     
Abstract: In this paper,based on the Canonical Correlation Analysis(CCA),a new supervised learning algorithm called Locality Discriminative CCA(LDCCA) is developed,which introduces the class information of samples and considers the local correlations of both of the within-class samples and the between-class samples.The feature extracted by LDCCA can realize the maximization of local within-class correlations and the minimization of local between-class correlations,which is good for classification of pattern.The experimental results on an artificial dataset,multiple feature database and facial database including ORL,Yale and AR show that the proposed LDCCA can effectively enhance the classification performance by using class information.
Key wordscanonical correlation analysis   feature extraction   local discrimination   dimensionality reduction   
收稿日期: 2008-04-30; 出版日期: 2006-02-21
通讯作者: 彭 岩   
引用本文:   
$author.xingMing_CN,$author.xingMing_CN. 局部判别型典型相关分析算法[J]. journal6, 2008, 44(21): 126-129.
PENG Yan,ZHANG Dao-qiang. Locality discriminative canonical correlation analysis algorithm[J]. CEA, 2008, 44(21): 126-129.
链接本文:  
http://cea.ceaj.org/CN/10.3778/j.issn.1002-8331.2008.21.035
 
没有找到本文相关图表信息
没有本文参考文献
[1] 高 坤1,2,何怡刚1,3,谭阳红1,薄祥雷1,童耀南1. 主成分分析和超限学习机的模拟电路故障诊断[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(9): 248-252.
[2] 彭 澎1,郝矿荣1,2,丁永生1,2,郭 爽1. 结合成对约束的近邻稀疏保留投影算法[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(7): 176-180.
[3] 陈文明1,梁冬泰1,2. 基于光照不变感知特征的打火石检测识别[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(6): 227-234.
[4] 巩知乐1,张少龙1,廖海斌2. 因子分析判别准则的线性降维方法研究[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(3): 145-149.
[5] 张学军1,2,彭丽艳1,黄丽亚1,2,成谢锋1,2. 基于多维复杂度的精神分裂症脑磁信号区分[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(23): 12-18.
[6] 周书仁1,2,王 刚1,2,徐岳峰1,佘凯晟1. Haar型LBP纹理特征的行人检测研究[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(21): 175-179.
[7] 孙 波,刘永娜,罗继鸿,张 迪,张树玲,陈玖冰. 基于张量分析的表情特征提取[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(20): 145-148.
[8] 谈 英,顾宝兴,姬长英,田光兆,金丽丽,李珈慧. 基于颜色和重量特征的苹果在线分级系统设计[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(2): 219-222.
[9] 董西伟. 基于局部流形重构的半监督多视图图像分类[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(18): 24-30.
[10] 郭红想,严 军,王典洪,余蓓蓓. 基于小波包和组合分类器的脑电信号分类[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(18): 148-153.
[11] 王 凯,施隆照. 基于FPGA的快速连通区域标记算法的设计与实现[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(18): 192-198.
[12] 钱晓亮1,2,左开中1,2,接 标1,2. 新的基于Laplacian的特征选择方法[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(15): 79-82.
[13] 张 健,赵立军. 基于改进正[2k]边形坐标的可视化方法研究[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(14): 261-265.
[14] 芮 挺1,费建超1,周 遊2,方虎生1,朱经纬1. 基于深度卷积神经网络的行人检测[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(13): 162-166.
[15] 宋鑫超,苏庆堂,刘启明. 多姿态人耳识别的局部线性嵌入及其改进算法[J]. 《计算机工程与应用》唯一官方网站, 2016, 52(13): 183-186.
版权所有 © 《《计算机工程与应用》唯一官方网站》编辑部
通信地址: 北京619信箱26分箱 邮编: 100083 电话: (010)89055542 E-mail: ceaj@vip.163.com
技术支持:北京玛格泰克科技发展有限公司
京ICP备13024262号-1