基于余弦角距离的主成分分析与核主成分分析-模式计算与应用实验室.PDFVIP

Computer Engineering and Applications 计算机工程与应用 2011 ，47 （3） 9 基于余弦角距离的主成分分析与核主成分分析 殷 俊，周静波，金 忠 YIN Jun ，ZHOU Jingbo ，JIN Zhong 南京理工大学 计算机科学与技术学院，南京 210094 School of Computer Science and Technology ，Nanjing University of Science and Technology ，Nanjing 210094 ，China E-mail ：yinjun8429@163.com YIN Jun ，ZHOU Jingbo ，JIN Zhong.Principal component analysis and kernel principal component analysis based on co- sine angle distance.Computer Engineering and Applications ，2011 ，47 （3 ）：9-12. Abstract ：Principal Component Analysis （PCA ）and Kernel Principal Component Analysis （KPCA ）are both proposed based on Euclidean distance which is sensitive to outlier.Cosine angle distance is more robust to outlier and has better perfor- mance in many cases.This paper utilizes the superiority of cosine angle distance sufficiently and proposes two new feature extraction algorithms——Principal Component Analysis based on Cosine （PCAC ）angle distance and Kernel Principal Compo- nent Analysis based on Cosine （KPCAC ）angle distance.Experiments on YALE face database and the PolyU palmprint data- base show the superiority of PCAC over PCA and the effectiveness of KPCAC. Key words ：Principal Component Analysis （PCA ）；Kernel Principal Component Analysis （KPCA ）；Euclidean distance ；cosine an- gle distance 摘 要：PCA 和KPCA 都是基于欧氏距离提出的，这种距离对离群数据点比较敏感，而余弦角距离对离群数据更为鲁棒，在很多 情况下具有更好的性能。充分利用余弦角距离的优势，提出两种新的特征抽取算法——基于余弦角距离的主成分分析（PCAC ） 和基于余弦角距离的核主成分分析（KPCAC ）。在YALE 人脸数据库与PolyU 掌纹数据库上的实验表明，PCAC 比PCA 取得了更 好的效果，KPCAC 也表现出了很好的性能。 关键词：主成分分析；核主成分分析；欧氏距离；余弦角距离 DOI ：10.3778/j.issn. 1002-8331.2011.03.003 文章编号：1002-8331（2011 ）03-0009-04 文献标识码：A 中图分类号：TP391.4 1 引言 数据在高维空间中的内积来执行算法，而高维空间中的内积 维数约减在统计模式识别中占据着重要地位，通过维数 可以通过给定的核函数求得。 约减，可以减少特征的维数从而避免维数灾难，并且可以获取 PCA 和KPCA 都是基于欧氏距离的，在寻找最优表示基 [1] 时，它们用欧氏距离