Linear Discriminant Analysis Based on L1-Norm Maximization
Linear Discriminant Analysis Based on L1-Norm Maximization
复制标题
基于L1范数最大化的线性判别分析
DOI：
10.1109/tip.2013.2253476
复制
发表时间：
2013-03
期刊：
影响因子：
--
通讯作者：
Defang Li
中科院分区：
文献类型：
--
作者：
Fujin Zhong;Jiashu Zhang;Defang Li
线性判别分析（LDA）是一种著名的降维技术，它被广泛用于许多目的。然而，传统的LDA是敏感的离群值，因为它的目标函数是基于使用L2范数的距离准则。本文提出了一种基于L1范数最大化的简单而有效的鲁棒LDA版本，该版本通过最大化基于L1范数的类间离散度和基于L1范数的类内离散度的比率来学习一组局部最优投影向量。理论上证明了该方法的可行性和鲁棒性，同时克服了传统LDA类内散布矩阵的奇异问题。在人工数据集、标准分类数据集和三种常用图像数据集上的实验结果表明了该方法的有效性。
Linear discriminant analysis (LDA) is a well-known dimensionality reduction technique, which is widely used for many purposes. However, conventional LDA is sensitive to outliers because its objective function is based on the distance criterion using L2-norm. This paper proposes a simple but effective robust LDA version based on L1-norm maximization, which learns a set of local optimal projection vectors by maximizing the ratio of the L1-norm-based between-class dispersion and the L1-norm-based within-class dispersion. The proposed method is theoretically proved to be feasible and robust to outliers while overcoming the singular problem of the within-class scatter matrix for conventional LDA. Experiments on artificial datasets, standard classification datasets and three popular image databases demonstrate the efficacy of the proposed method.
登录
查看更多内容
DOI：
10.1201/b10345-5
发表时间：
2010-11
期刊：
Encyclopedia of Autism Spectrum Disorders
影响因子：
--
作者：
Kim-Anh Lê Cao;Z. Welham
通讯作者：
Kim-Anh Lê Cao;Z. Welham
DOI：
10.1109/tc.1978.1674981
发表时间：
2015
期刊：
--
影响因子：
--
作者：
通讯作者：
--
DOI：
10.1016/c2009-0-27872-x
发表时间：
1972
期刊：
影响因子：
--
作者：
H. Shimodaira;Iain Murray
通讯作者：
Iain Murray
DOI：
10.1007/978-3-642-61159-9_32
发表时间：
1996
期刊：
--
影响因子：
--
作者：
A. Baccini;Philippe C. Besse;A. Falguerolles
通讯作者：
A. Baccini;Philippe C. Besse;A. Falguerolles
DOI：
10.1002/0470854774.ch1
发表时间：
2006
期刊：
--
影响因子：
--
作者：
P. Pudil;P. Somol;M. Haindl
通讯作者：
P. Pudil;P. Somol;M. Haindl