论文部分内容阅读
线性判别分析(LDA)是在包括人脸识别等多个应用领域被广泛采用的降维方法。但是,由于LDA是基于各类均服从高斯分布的假设,导致其类间散度矩阵的定义会产生相邻类别的重叠问题。因此,我们提出了一种自适应的非参数判别分析方法(ANDA),此方法通过增加位于类边界附近样本点在类间散度矩阵中的权重的方法来增大不同类的相邻样本点之间的距离。本文通过在FERET以及ORL人脸库上的实验把ANDA方法与传统的PCA+LDA,Orthogonal LDA(OLDA)和非参数判别分析(NDA)进行了比较,实验结果表明本