基于矩阵正态分布似然比测试的矩阵度量学习算法

山东大学学报(工学版) ›› 2012, Vol. 42 ›› Issue (6): 37-42.

基于矩阵正态分布似然比测试的矩阵度量学习算法

钱强,陈松灿*

南京航空航天大学计算机科学与技术学院, 江苏南京 210016

收稿日期:2012-11-02 出版日期:2012-12-20 发布日期:2012-11-02
通讯作者: 陈松灿（1962- ），男，浙江余姚人，教授，博导，主要研究方向为模式识别和机器学习. E-mail：s.chen@nuaa.edu.cn
作者简介:钱强（1985- ），男，江苏宜兴人，博士研究生，主要研究方向为机器学习和数据挖掘. E-mail:qian.qiang.yx@gmail.com
基金资助:
国家自然科学基金资助项目（61170151）

Matrix metric learning algorithm based on likelihood ratio test with matrix normal distribution

QIAN Qiang, CHEN Song-can*

College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China

Received:2012-11-02 Online:2012-12-20 Published:2012-11-02

摘要/Abstract

摘要： 本研究基于KISS(keep it simple and stupid)算法,利用似然比测试直接为矩阵模式定义度量,解决了现有大多数度量学习算法需要经过复杂优化过程的问题。通过在似然比测试中有目的地引入矩阵正态分布,该度量无需将矩阵模式通过向量化的方法变成向量模式,因而具有如下优点:(1)能够避免维数灾难;(2)比KISS更鲁棒;(3)无需计算大矩阵的逆和特征值分解,因此计算远快于KISS算法。最终的实验验证了该算法的优势。

关键词: 矩阵正态分布, 矩阵度量, 似然比测试

Abstract: Most metric learning algorithms involve tedious optimization procedure. In order to solve this problem, a metric for matrix data by using likelihood ratio test was defined based on the KISS algorithm (keep it simple and stupid). By introducing the matrix normal distribution into the likelihood ratio test, the proposed metric does not need to transform matrix pattern into vector pattern. The results showed that this algorithm could avoid the curse of dimension, could be more robust than KISS, and would not need to compute the inverse and eigen-decomposition of high dimensional matrix, which was faster than KISS. Experiments verified the advantages of the proposed algorithm.

Key words: matrix normal distribution, matrix metric, likelihood ratio test

中图分类号:

TP391

钱强,陈松灿*. 基于矩阵正态分布似然比测试的矩阵度量学习算法[J]. 山东大学学报(工学版), 2012, 42(6): 37-42.

QIAN Qiang, CHEN Song-can*. Matrix metric learning algorithm based on likelihood ratio test with matrix normal distribution[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2012, 42(6): 37-42.

参考文献

相关文章 15

[1]	熊冰妍, 王国胤, 邓维斌. 分级式代价敏感决策树及其在手机换机预测中的应用[J]. 山东大学学报(工学版), 2015, 45(5): 36-42.
[2]	王晓初, 王士同, 包芳. 基于概率密度分布一致约束的最小最大概率机图像分类算法[J]. 山东大学学报(工学版), 2015, 45(5): 13-21.
[3]	张东波,寇涛,许海霞. 基于LDB描述子和局部空间结构匹配的快速场景辨识[J]. 山东大学学报(工学版), 2018, 48(5): 16-23.
[4]	陈海永,余力,刘辉,杨佳博,胡启迪. 基于经验小波的太阳能电池缺陷图像融合[J]. 山东大学学报(工学版), 2018, 48(5): 24-31.
[5]	牟廉明. 自适应特征选择加权k子凸包分类[J]. 山东大学学报(工学版), 2018, 48(5): 32-37.
[6]	沈冬冬,周风余,栗梦媛,王淑倩,郭仁和. 基于集成深度神经网络的室内无线定位[J]. 山东大学学报(工学版), 2018, 48(5): 95-102.
[7]	张璞,刘畅,王永. 基于特征融合和集成学习的建议语句分类模型[J]. 山东大学学报(工学版), 2018, 48(5): 47-54.
[8]	王国新,陈凤东,刘国栋. 基于彩色伪随机编码结构光特征提取方法[J]. 山东大学学报(工学版), 2018, 48(5): 55-60.
[9]	胡建平,李鑫,谢琪,李玲,张道畅. 基于Delaunay三角化的二维无约束优化EMD方法[J]. 山东大学学报(工学版), 2018, 48(5): 9-15.
[10]	李广丽,刘斌,朱涛,殷依,张红斌. 基于优选典型相关分量的跨媒体检索模型[J]. 山东大学学报(工学版), 2018, 48(5): 38-46.
[11]	吴晨谋,方志军,黄正能. 基于单目摄像头的主动式驾驶行为分析算法[J]. 山东大学学报(工学版), 2018, 48(5): 69-76.
[12]	张宪红,张春蕊. 基于六维前馈神经网络模型的图像增强算法[J]. 山东大学学报(工学版), 2018, 48(4): 10-19.
[13]	江珊珊,杨静,范丽亚. 基于PDEs的图像特征提取方法[J]. 山东大学学报(工学版), 2018, 48(4): 27-36.
[14]	窦婷婷,姚元玺,陈鹏,芦灯. 基于ATP-EMTP的电弧建模及工程仿真[J]. 山东大学学报(工学版), 2018, 48(4): 102-108.
[15]	黄劲潮. 基于快速区域建议网络的图像多目标分割算法[J]. 山东大学学报(工学版), 2018, 48(4): 20-26.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed