特征有效提取的自适应核特征子空间方法

被引：2

作者：

张朝阳

田铮

机构：

[1] 西北工业大学理学院

来源：

模式识别与人工智能 | 2013年 / 26卷 / 04期

关键词：

核主成分分析(KPCA); 特征提取; 核子空间; 张成向量;

D O I：

10.16451/j.cnki.issn1003-6059.2013.04.005

中图分类号：

TP391.4 [模式识别与装置];

学科分类号：

0811 ; 081101 ; 081104 ; 1405 ;

摘要：

基于核的主成分分析(KPCA)方法能提取数据的非线性特征,但特征提取的效率却与训练样本集合的容量成反比.文中提出一种特征提取的自适应核特征子空间方法来快速有效地提取特征.该方法和KPCA方法在理论分析框架上是一致的,但通过自适应的选取核子空间的张成向量,能在提高特征提取效率的同时不影响特征提取的精度.针对模拟数据和MNIST数据的实验结果表明文中方法优于经典KPCA方法和参考方法.

引用

页码：392 / 401

页数：10

共 4 条

[1] Generalized KPCA by adaptive rules in feature space [J].

Pang, Yanwei ;

Wang, Lei ;

Yuan, Yuan .

INTERNATIONAL JOURNAL OF COMPUTER MATHEMATICS, 2010, 87 (05) :956-968

[2] Kernel PCA for feature extraction and de-noising in nonlinear regression [J].

Rosipal, R ;

Girolami, M ;

Trejo, LJ ;

Cichocki, A .

NEURAL COMPUTING & APPLICATIONS, 2001, 10 (03) :231-243

[3] Nonlinear component analysis as a kernel eigenvalue problem [J].

Scholkopf, B ;

Smola, A ;

Muller, KR .

NEURAL COMPUTATION, 1998, 10 (05) :1299-1319

[4]

Incremental kernel SVD for face recog-nition with image sets .2 Chin,T.J,Schindler,K,Suter,D. Proceedings of the 7th International Conference onAutomatic Face and Gesture Recognition . 2006

← 1 →