在小样本条件下直接LDA的理论分析

被引：4

作者：

赵武锋 ^{[1
,2
]}

沈海斌 ^{[1
]}

严晓浪 ^{[1
]}

机构：

[1] 浙江大学超大规模集成电路设计研究所

[2] 浙江大学信息与电子工程学系

来源：

电子与信息学报 | 2009年 / 31卷 / 11期

关键词：

模式识别; Fisher准则; 降维; 线性鉴别分析; 小样本;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

直接线性鉴别分析(DLDA)是一种以克服小样本问题而提出的LDA扩展方法,被声明利用了包含类内散布矩阵零空间外的所有信息。然而,很多反例表明事实并非如此。为了更深入地了解DLDA的特性,该文从理论上对其进行了分析,得出结论:基于传统Fisher准则的DLDA几乎没利用零空间,将丢失一些有用的鉴别信息;而基于广义Fisher准则的DLDA,若满足一定条件(在高维小样本数据应用中一般都满足)且最优鉴别矢量正交约束,则其等价于零空间LDA和正交LDA。在人脸数据库ORL和YALE上的比较实验结果亦与理论分析一致。

引用

页码：2632 / 2636

页数：5

共 3 条

[1] 改进的核直接Fisher描述分析与人脸识别 [J].