基于共享子空間學習的多視角數(shù)據(jù)分析.pdf

1、信息技術的迅猛發(fā)展使人們生產(chǎn)與收集的數(shù)字化數(shù)據(jù)越來越復雜，除了數(shù)據(jù)的維度越來越高，表示形式也越來越多樣化，呈現(xiàn)出多態(tài)性、多源性和多描述性的特點，這些數(shù)據(jù)通常被統(tǒng)一稱為多視角數(shù)據(jù)。當前大量存在的多視角數(shù)據(jù)，使得傳統(tǒng)的面向單一視角的數(shù)據(jù)分析方法面臨著新的挑戰(zhàn)。開展多視角分析方法研究，挖掘出多視角數(shù)據(jù)中潛在的共性信息已成為目前機器學習領域的熱點研究方向，具有很好的理論研究意義和應用價值。
　　本文從共享子空間學習的角度入手，圍繞多視角數(shù)

2、據(jù)分析中的數(shù)據(jù)結構保持、判別信息的引入以及小樣本等多視角分析方面的問題進行了深入細致的研究，取得了一定的研究成果。本文完成的創(chuàng)新性研究成果包括:
　　1.提出了一種局部結構保持的判別多視角分析模型。該模型通過引入圖約束，使得多視角數(shù)據(jù)在共享子空間與原始特征空間的局部幾何結構關系得以有效保持;此外，通過在共享子空間中引入判別信息，有效地改善了該模型的泛化能力。在多視角數(shù)據(jù)檢索與分類方面的實驗驗證了該模型的有效性;
　　2.針對

3、多視角分析中的小樣本問題，提出了一種基于‘三因子分解’(Tri-factorization)的多視角共享子空間分析方法，并進一步把該方法歸結為廣義奇異值分解(Generalized Singular Value Decomposition，GSVD)問題。此外，給出了對于‘外點’（Out-of-samples）的在線擴展方法，有效地降低了在線學習的復雜度;
　　3.發(fā)展了傳統(tǒng)的典型相關分析方法，提出了一種更具普適性的廣義典型相關分