留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多层自动编码机的fisher判别分析

陈振洲 吴双燕 范冰冰

陈振洲, 吴双燕, 范冰冰. 基于多层自动编码机的fisher判别分析[J]. 华南师范大学学报(自然科学版), 2017, 49(3): 117-122.
引用本文: 陈振洲, 吴双燕, 范冰冰. 基于多层自动编码机的fisher判别分析[J]. 华南师范大学学报(自然科学版), 2017, 49(3): 117-122.
Fisher Discriminant Analysis Based on Stacked AutoEncoders[J]. Journal of South China normal University (Natural Science Edition), 2017, 49(3): 117-122.
Citation: Fisher Discriminant Analysis Based on Stacked AutoEncoders[J]. Journal of South China normal University (Natural Science Edition), 2017, 49(3): 117-122.

基于多层自动编码机的fisher判别分析

基金项目: 

广东省科技计划项目

详细信息
    通讯作者:

    陈振洲

  • 中图分类号: TP3-05

Fisher Discriminant Analysis Based on Stacked AutoEncoders

  • 摘要: 在常见的特征提取方法中,Fisher判别分析(Fisher Discriminant Analysis,FDA)只能提取线性特征,基于核的方法具有提取非线性特征的能力,但对核函数类型及其参数十分敏感. 文中研究如何有效提取数据特征,提出了一种基于多层自动编码机(Stacked AutoEncoders,SAE)和Fisher标准的特征提取算法,该算法中所使用的深度学习网络模型在训练过程中结合无监督特征提取SAE以及有监督的特征提取FDA. 通过与多层自动编码机、极限学习机(Extreme Learning Machine,ELM)等模型提取的特征进行对比,在数据集Pendigits、mnist、ORL和AR上利用支持向量机对数据特征进行分类,结果表明基于SAE的Fisher变换(FDA-SAE)在分类结果准确率以及分类时间上都有较好的效果. 特别是在小数据集AR上,当样本特征较少的情况下效果非常明显.
  • 加载中
计量
  • 文章访问数:  679
  • HTML全文浏览量:  89
  • PDF下载量:  165
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-05-14
  • 修回日期:  2016-11-02
  • 刊出日期:  2017-06-25

目录

    /

    返回文章
    返回