摘要
针对传统DLDA算法计算复杂的问题,提出了DLDA/ESVD算法,该算法直接使用ESVD降维和提取非零特征值对应的特征向量.然后,为了提高DLDA/ESVD算法处理高维低秩矩阵的性能,提出了DLDA/QR-ESVD算法,该算法使用列选主QR分解降维,使用ESVD提取非零特征值对应的特征向量.在ORL,FERET和YALE数据库上的实验结果表明,所提出的2种算法具有几乎相同的性能,并在计算复杂性和训练时间方面优于传统的DLDA算法.另外,在随机数据矩阵上的实验结果表明,DLDA/QR-ESVD算法处理高维低秩矩阵的性能优于DLDA/ESVD算法.
学科与关键词
关键词
直接线性鉴别分析列选主的正交三角分解节约型奇异值分解降维特征提取 direct linear discriminant analysiscolumn pivoting orthogonal triangular decompositioneconomic singular value decompositiondimension reductionfeature extraction
文献加载失败,请重试
重试