无限最大间隔线性判别投影模型

来源：电子与信息学报杂志2017年第12期北京时间：

作者：文伟, 曹雪菲, 陈渤, 韩勋, 张学峰, 王鹏辉, 刘宏伟

摘要：针对具有多模分布结构的高维数据的分类问题，该文提出一种无限最大间隔线性判别投影(iMMLDP)模型。与现有全局投影方法不同，模型通过联合Dirichlet过程及最大间隔线性判别投影(MMLDP)模型将数据划分为若干个局部区域，并在每一个局部学习一个最大边界线性判别投影分类器。组合各局部分类器，实现全局非线性的投影与分类。iMMLDP模型利用贝叶斯框架联合建模，将聚类、投影及分类器进行联合学习，可以有效发掘数据的隐含结构信息，因而，可以较好地对非线性可分数据，尤其是具有多模分布特性数据进行分类。得益于非参数贝叶斯先验技术，可以有效避免模型选择问题，即局部区域划分数量。基于仿真数据集、公共数据集及雷达实测数据集验证了所提方法的有效性。

关键词：最大间隔线性判别投影, 非参数贝叶斯, Dirichlet过程混合模型

基金资助：国家杰出青年科学基金(61525105)，国家自然科学基金(61201292, 61322103, 61372132)，全国优秀博士学位论文作者专项资金(FANEDD-201156)，陕西省自然科学基础研究计划(2016JQ6048)，航空科学基金(20142081009)，上海航天科技创新基金(SAST2015009)，航空电子系统射频综合仿真航空科技重点实验室基金