融合数据分布特征的多视图典型相关分析

典型相关分析CCA是一种经典的特征提取方法,该方法找到的投影方向满足两视图数据集之间的相关性最大,该方法在生产实践中广泛应用,但当面对多视图数据时便无能为力。鉴于此,研究人员提出多视图相关分析MCCA,MCCA为每个视图找到一组投影方向,并保证投影后的视图数据集之间的相关性最大,该方法有效地拓展了CCA的适用范围。但MCCA在特征提取时,并未考虑数据的分布性状,因而,其工作效率有待于进一步提升,基此提出融合数据分布特征的多视图典型相关分析MCCA-DD,该方法引入类间离散度和类内离散度,用以表征数据的分布性状,以期提高MCCA的特征提取效率。从学生体测成绩数据集和多特征手写体数据集上的比较实验表明:与典型相关分析CCA、多视图相关分析MCCA等特征提取方法相比,MCCA-DD具有更优的特征提取效率。