论文研究-类依赖的相关性多类分类器.pdf

【文件属性】：
文件名称：论文研究-类依赖的相关性多类分类器.pdf
文件大小：763KB
文件格式：PDF
更新时间：2022-10-02 10:41:32
论文研究 典型相关分析（CCA）是利用样本的相关性进行特征提取的一种重要的降维方法，而相关性判别分析（CDA）则是在特征空间中最大化同类样本对间的相关性，同时最小化不同类样本对间的相关性，可看作类依赖的典型相关分析。这两种方法的特征提取与其后的分类器是两个相互独立的过程，如此不可避免地会影响分类器的性能。借助正则单纯形的顶点等距并具有仿射不变性的特性，将其作为类标号编码，把样本中包含的类信息结合到分类器设计中，最大化各个样本与其类标号的相关性，同时最小化样本与其余类标号之间的相关性，得到类依赖的相关性多类分类器（CCMC）。进一步通过与经验核相结合，获得了具有更强分类性能的核化版非线性分类器EK-CCMC。人工数据集和部分UCI数据集上的实验结果表明，利用类依赖的相关性直接设计分类器可以提高分类性能。