文档介绍：Vol. 33 No. 6
Jun. 2016
第33卷第6期
2016年6月
计算机应用研究
Application Research of Computers
权值正交重构判别分析算法*
施伟，马小虎'
(苏州大学计proposed a novel method called WORDA to compensate for these shortages・ According to the different distances between linear subspaces 9 the proposed method introduced weight matrix of linear subspace to present better structure in subspace・ Simultaneously it added orthogonal restraint to projection to overcome the metric distortion problem t which helped get better projections in subspace・ Elxperimental results on ORL, Yalet AR and FERET face databases demonstrate the effectiveness of the proposed method.
Key words： reconstructive discriminant analysis ； linear subspace ； orthogonal ； weight ； face recognition
Vol. 33 No. 6
Jun. 2016
Vol. 33 No. 6
Jun. 2016
0引言
在人脸识别应用中，原始数据受到诸如表情、光照和噪声 的影响，这些形响可能会导致错溟分类,另外高维数据的计算 会消耗大量的时问，因此，数据降维方法旻到了研究人员的广 泛关注0传统的数据降维方法，如主成分分析(principal component analysis, PCA)⑴，其目的在于寻找能够使数据协方差 矩阵最大化的子空间，然而PCA算法是一种非监督学习算法, 并不能很好地掲示样本的鉴别信息：线性判别分析(linear discriminant analyBZ, )⑵是一种监督学习算法，其目的在 于最大化类间离散度的同时最小化类内离散度，这两种算法 都是基于全局线性的假设，并不能很好地反映样本的局部 信息：
近期研究表明，高维数据往往处于某个低维度的流形子空 间中,PCA和LDA等算法对此无能为力，于是流形学习算法应 运而生。比较经典的流形学习算法有拉普拉斯本征映射 (Laplacian eigenmap, LE)⑶、局部线性嵌入(locality linear embedding ,LLE)W 和等距映射(isometric mapping. ISOMAP)⑴ 等,它们能够很好地保持数据的局部流形结构,在数据降维方 面取得了令人满意的效果；但它们都疗在一个共同的问題，不 能够获得一个投影矩阵,使得新样本点投影到低维子空间中，即所谓的样本外问题n针对这一问题等