加权MMC函数及广义FLD准则函数及最优鉴别向量集.docVIP

加权MMC函数与广义FLD准则函数的最优鉴别向量集 1．引言)： 　　　　　　　 (1) FLD准则常用如下的广义FLD准则函数来表示： 　　　　　　　　　　　　　　　(2) 最大化函数或可得由多个投影向量组成的投影矩阵，投影向量也称为鉴别向量，在实际应用中一般总是将鉴别向量单位化，即 ()，单位化向量集合常称为鉴别向量集[4]。最大化的方法是特征值分解或广义特征分解，最大化的方法是迭代法。Guo、Yan和Wang都曾给出最大化的迭代算法，但Wang的算法是最佳的。 目前人们使用的鉴别向量集主要有两种：一是鉴别向量之间满足正交性，即()，称之为正交鉴别(OD)向量集；另一种是鉴别向量之间满足()，它能使投影后所得数据之间具有统计不相关性，因此称之不相关鉴别(UD)向量集，其中是样本总体协方差阵。实际上，OD向量集是准则函数在正交条件下的最优解，UD向量集是准则函数在不相关性条件下的最优解。这说明，在最大化准则函数时需附加一定的条件，更为一般的附加条件为 　　() 　　　　　　　 (3) 其中为正定阵。显然OD向量集与UD向量集分别是和的两种特例。 对某个准则函数来说，不同的可得到不同的鉴别向量集，因此一个准则函数可有无穷多种鉴别向量集。现在的问题是，在这无穷多种鉴别向量集中，哪种鉴别向量集能使准则函数值达到最大？能使准则函数值达到最大的鉴别向量集称为