基于低秩理論的多重集典型相關(guān)分析的研究與應(yīng)用.pdf

1、典型相關(guān)分析(CCA)作為一種經(jīng)典的特征提取算法，能夠有效抽取兩組特征之間的線性相關(guān)性，已被廣泛應(yīng)用于各種模式識(shí)別任務(wù)中。為了融合更多的模式信息，將傳統(tǒng)的CCA算法進(jìn)行廣義化推廣，提出了多重集典型相關(guān)分析(MCCA)。作為經(jīng)典的特征提取算法，CCA以及MCCA一經(jīng)提出就被廣泛應(yīng)用和研究。但是在對(duì)含噪聲數(shù)據(jù)進(jìn)行特征提取時(shí)，傳統(tǒng)的CCA和MCCA及其擴(kuò)展算法的特征表示能力受到了限制。所以，本文基于低秩分解理論，將低秩分解步驟融入到傳統(tǒng)的典型

2、相關(guān)投影分析算法中，對(duì)相關(guān)算法進(jìn)行了研究和實(shí)驗(yàn)驗(yàn)證。
　　本研究主要內(nèi)容包括：⑴基于低秩分解理論，將RPCA算法和CCA相結(jié)合，提出了魯棒典型相關(guān)分析(RbCCA)。為了融合更多的模式信息，將RbCCA推廣到多重集典型相關(guān)投影分析理論框架，提出魯棒多重集典型相關(guān)分析(RbMCCA)。分別在手寫體數(shù)據(jù)庫(kù)和人臉數(shù)據(jù)庫(kù)中做了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果證實(shí)，所提出的RbCCA和RbMCCA算法對(duì)噪聲數(shù)據(jù)有較強(qiáng)的魯棒性。⑵為了突破無(wú)監(jiān)督特征提取算法

3、特征識(shí)別力的限制，將低秩分解和鑒別典型相關(guān)分析相結(jié)合，提出了魯棒鑒別典型相關(guān)分析(RbDCCA)，并將其推廣到多重集典型相關(guān)投影分析理論框架，即魯棒鑒別多重集典型相關(guān)分析(RbDMCCA)。通過(guò)實(shí)驗(yàn)證實(shí)，所提算法不僅對(duì)噪聲有較強(qiáng)的魯棒性，并且因?yàn)榻Y(jié)合了類的鑒別信息，所以提取出的特征相比RbCCA和RbMCCA具有更強(qiáng)的判別力。⑶結(jié)合樣本的類別信息，將低秩分解RPCA算法與廣義典型相關(guān)分析算法相結(jié)合，提出了魯棒廣義典型相關(guān)分析算法(RbG

4、CCA)。并將其推廣到多重集典型相關(guān)分析理論框架，提出了魯棒廣義多重集典型相關(guān)分析(RbGMCCA)。分別在手寫體數(shù)據(jù)庫(kù)和人臉數(shù)據(jù)庫(kù)上做了對(duì)比實(shí)驗(yàn)，證實(shí)了所提出的新監(jiān)督特征提取算法的有效性。⑷RPCA算法是一種直推式低秩分解算法，即每當(dāng)原始訓(xùn)練數(shù)據(jù)庫(kù)中的數(shù)據(jù)需要增加或刪除樣本數(shù)據(jù)時(shí)，需要重新計(jì)算新數(shù)據(jù)集的低秩主分量和稀疏噪聲分量，這無(wú)疑增加了計(jì)算時(shí)間。所以將歸納式魯棒主成分分析(IRPCA)與傳統(tǒng)的典型相關(guān)分析和多重集典型相關(guān)分析相結(jié)合