非线性判别分析的动态参数估计模糊监督学习方法

在本文中，我们基于动态参数估计开发了一种新颖的模糊监督学习算法。 首先，提出了一种用于训练样本的改进监督模糊LDA算法（RF-LDA）。 与传统的模糊LDA算法相比，该算法从每个训练样本中计算与隶属度相关的判别向量，在理论上有效地克服了来自不精确样本的分类限制。 其次，当需要一种新颖的模糊LDA模型以对特征提取和分类做出某些决定时，模糊LDA模型的动力学参数估计方法应在测量数据可用时对其进行递归处理。 按照先前的观点，我们通过考虑称为HRF-LDA的Hopfield神经网络（HNN）的公式来解决RF-LDA的控制参数估计问题。 第三，考虑到Kernel Fisher Discriminant（KFD）可以有效地利用核技巧来提取特征空间的非线性判别信息，随后提出了一种HRF-LDA核版本，具有超越传统模糊算法的潜力。学习算法，尤其是在非线性小样本量的情况下。 这种学习算法的优势在于，它成功地利用了改进的核模糊LDA算法作为监督特征提取工具。 同时，通过控制参数估计，我们解决了在隶属度的计算中动态分配偏移的特定值的问题。 在ORL，NUST603，FERET，Yale和XM2VTS面部图