K-L变换及例题解决方案.pptVIP

第7章 基于K-L展开式的特征提取 7.1 K-L变换的定义与性质 7.2 K-L变换特征提取的原理及应用 7.3 利用K-L变换进行人脸识别 实现特征提取的途径 考虑利用线性变换的方式实现降维 本质上说是高维→低维的投影 形式上可看是原始向量各分量的线性组合 由上章内容，此处关键是选择合适的变换，使变换之后的数据保持足够的类别可分性 实现特征提取的途径 两类经典的处理方法 多重判别分析：考虑模式类可分离性 成分分析：用较少数量的特征对样本进行描述，减少或去除冗余信息（去相关、信息压缩） 所谓成分分析，即有可能将认为是不重要的成分去除或用较少数据粗略表示，从而减少数据量，实现特征降维 DKLT的性质： 使变换后产生的新的分量不相关 以部分新分量表示原向量均方误差最小 使变换向量更趋确定、能量更趋集中 离散K-L变换（DKLT），又称霍特林(Hotelling)变换或主分量分解，它是一种基于目标统计特性的最佳正交变换 7.1 K-L变换的定义与性质 设 n 维随机向量 r L x x x x n = ( , , , ) 1 2 T ，其均 值向量 [ ] r r x E x = ，相关矩阵 [ ] R E x x x r r r = T ，协方 差矩阵 [ ] C E x x x x x r r r r r = - - ( )( ) T ， r x 经正交