第章-基于K—L变换的特征提取.pptVIP

第1章 绪论 第7章 基于K—L变换的特征提取 7.1　离散的卡洛南—洛伊(K—L)变换 7.2　采用K—L变换的分类特征提取 7.3　鉴别向量和鉴别平面 上一章讨论的特征选择是在一定的准则下从n个特征中选出m个来反映原来的模式，这种简单的删掉某个特征总是不十分理想的，因为一般来说，原来的n个数据各自在不同程度上反映了识别对象的某些特性，简单的删掉可能会丢失较多的信息。这时，若将原来的特征作正交变换，获得的每个数据都是原来的n个数据的线性组合 ，然后从新的数据中选出少数几个，使它们尽可能多地反映各类模式之间的差异，又尽可能的相互独立，这比单纯的选择方法更灵活，效果更好，这就是将要介绍的K—L变换，它适用于任何的概率密度函数。 K—L变换实际上是一种最佳的特征压缩。 7.1 离散的卡洛南—洛伊（K—L）变换 THANK YOU VERY MUCH ！ 本章到此结束 下一章“非监督学习方法” 第7章 基于K—L变换的特征提取 返回本章首页 返回本章首页 设 是一个 维的随机向量，则它可以用下式无误差的展开： 返回本章首页 是线性独立的，其构成了包含 的 维空间，这些向量就是这个空间的一个基组。进一步它还满足以下性质： 假定我们只保留 向量的分量的一个子集 ， 就用