[发明专利]自适应无参数的特征提取方法

摘要

本发明公开了一种新的无参数的有监督的特征提取算法。该发明在原有的特征提取算法的基础上对其进行改进，使之更加合理。首先该发明使用相关系数描述样本之间的相似性，通过建立类内散布矩阵来描述流形的局部结构，然后根据类与类之间相关系数的关系建立类间散布矩阵去描述流形之间的离散关系，最后建立目标函数使用Fisher准则对其进行求解，使其在达到类内散布矩阵最小的同时，类间散布矩阵达到最大，在整个过程中不需要人为设定任何参数，实现了无参数化。在三个数据库上的实验表明该发明的识别率较原始算法有所提高，达到了预期的效果。

主权项

一种自适应无参数的特征提取方法，其特征在于包括以下步骤：步骤一：计算任意两个样本之间的相关系数Pij，使用增强的无参数的局部保留算法建立全部样本所属类的类内权重矩阵W；步骤二：寻找相邻类；依据步骤一中得到的相关系数Pij构成的矩阵P，计算任意一类ci与其他所有类的相关系数的平均值mi，计算任意一类ci与某一类cj的相关系数的平均值mij，如果mij≥mi，则认为ci、cj为相邻的类；步骤三：建立一个大小为ni*nj的矩阵G，用于存储步骤二中得到的任意两个相邻的类之间样本与样本的关系，矩阵G初始化为全零，其中ni、nj为属于任意两个相邻的类ci、cj样本的数目；步骤四：对于属于ci的任意一个样本cik计算其与属于cj的任意一个样本cjl的相关系数Pkl，如果这两个样本的相关系数Pkl，大于或等于cik与属于cj的所有样本的相关系数的均值m，即Pkl≥m，则置矩阵G中对应位置上G(i,j)＝1，遍历属于ci的所有的样本，得到属于ci的每个样本与属于cj的每个样本之间的关系，由于相关系数的性质可知，G为对称矩阵，即同时可以得到属于cj的每个样本与属于ci的每个样本之间的关系；步骤五：按行扫描G，使用集合freq记录每行中1所在的位置，也就是对应样本在ci类中的下标号，统计freq中一共出现多少个互异的样本以及每个样本出现的次数，如果某个样本出现的次数大于或等于平均次数T，T＝freq中样本的总数目/互异的样本数目，则认为该样本与ci类相邻，并置这两类的类间权重矩阵B对应位置上B(i,j)＝1；步骤六：按列扫描G，使用新的集合freq1记录每列中1所在的位置，也就是对应样本在cj类中的下标号，统计freq1中一共出现多少个互异的样本以及每个样本出现的次数，如果某个样本出现的次数大于或等于平均次数T1，T1＝freq1中样本的总数目/互异的样本数目，则认为该样本与cj类相邻，并置这两类的类间权重矩阵B对应位置上B(i,j)＝1；步骤七：根据步骤一和步骤六得到的类内权重矩阵W和类间权重矩阵B，建立类内散布矩阵和类间散布矩阵，组成目标函数，在Fisher准则下求解目标函数，得到最优投影方向，在此方向对样本进行投影，完成特征提取。