高维空间模式鉴别分析理论与方法研究

模式鉴别分析是模式识别的一个重要研究方向，本项研究针对模式空间的高维性、训练样本的有限性，将模式鉴别分析向高维空间的非线性分类拓展。基于核函数的线性判别（KLDA）、核不相关鉴别分析及拉普拉斯鉴别的理论和方法，研究模式分类中的高维数、小样本、非线性、局部极小等应用问题，提高模式分类的精度和速度，研究鉴别分析中核与多核函数的构建及其参数选择的理论和快速算法。本项申请将深入探讨统计学习理论及方法，设计光滑或半光滑化的支持向量机并验证其有效性；理清主流形方法与数据描述和模式表示的关系，提出适合提取描述性特征的主流形方法；进一步掌握基于流形的降维与鉴别分析的关系，提高流形学习的维数压缩及提取特征的鉴别能力，丰富和拓展模式鉴别分析的理论和方法，并将其应用于手写字符识别及生物特征识别，解决在复杂环境，如局部遮挡和可变光照条件下的人脸和活体虹膜识别的实际应用问题。