稀疏张量局部线性鉴别分析.pdfVIP

与

计算机应用信息技术信息化

稀疏张量局部线性鉴别分析

沈珍军1

摘要作为一种线性特征提取方法，线性鉴别分析（LDA）引起了广泛的注意。在LDA的基础上，研究者做

了很多的研究工作，许多基于LDA的方法被提出。然而，LDA固有的一些问题并没有被这些改进方法

很好地解决。LDA的主要缺点包括三点：一是对野点数据和噪声敏感；二是它仅仅保持了数据的全局

结构，而忽略了数据的局部鉴别信息；三是传统的向量化形式破坏了数据之间的空间结构。对此，提出

一种新的稀疏张量鉴别分析（STDA）方法。首先，K近邻图被构造，以保留数据的局部鉴别信息。其次，

对投影矩阵施加L2,1约束，使所得到的方法对噪声比较鲁棒。最后，数据直接以张量的形式参加运算。

所提出的方法在四个公共的图像库上进行了实验，实验结果表明了所提STDA方法的有效性。

关键词线性鉴别分析；L2,1范数；最近邻；稀疏张量鉴别分析

doi：10.3969/j.issn.1672-9528.2024.09.019

0引言Dabiri等人[9]提出一种优化方案，它能够为基于LDA的数

据投影选取一种最优类表示。Cai等人[10]提出了一种基于L1

降维是解决“维数灾难”问题的一种非常有效的方法。

范数的线性判别分析方法。Zhong等人[11]提出了一个改进的

总的来说，常用的降维方法主要分为两类：一类是无监督

线性判别分析方法。为了提高分类识别的性能，Hu等人[12]

方法如主成分分析，另一类是监督学习方法如线性鉴别分析

学习一种稀疏判别子空间进行特征提取和分类，提出了一个

（lineardiscriminantanalysis，LDA）。线性判别分析（LDA）

稀疏线性鉴别分析方法，该方法利用稀疏回归进行判别特征

是解决两类分类问题的有力工具之一。LDA的目的是在学习

选择。Qiao等人[13]分析了Foley-Sammon线性判别分析和非

的投影特征空间中确定一组投影向量，使类间散布矩阵最大

相关线性判别分析的理论，指出了它们之间的重要理论差异。

化，并同时使类内散布矩阵最小化。由于其简单性和高效率，

Xu等人[14]提出一个稀疏张量判别分析方法，该方法将最近

在鉴别子空间学习领域中已经提出了许多基于LDA的方法。

提出的多线性判别分析方法进一步推广到稀疏情形。

为了解决C类样本在降维小于C-1时的类分离问题，Deng

等人[1]提出了一种改进的子集方法。Han等人[2]提出了一种本文提出了一种新的监督降维算法-稀疏张量局部

线性鉴别分析（sparsetensorlocaldiscriminantanalysis，

两阶段线性判别分析技术，它同时利用了散度矩阵的零空间

[3]STLDA）。STLDA算法的关键思想是，在基于L2,