Application创新应用328电子技术第52卷第6期（总第559期）2023年6月学习方法，使得分类性能有限，本文提出一种核广义多重集典型相关分析方法（KernelGeneralizedMultipleCanonicalCorrelationAnalysis,KGMCCA），引入的核方法[3]通过变换将原空间中非线性可分的数据映射到高维特征空间中，将复杂的非线性问题转变为线性问题，利用矩阵类内散布思想，充分利用样本的类别信息。在人脸数据集上的实验结果表明，该方法相较于其他特征提取方法具有更好的识别率。2基础知识2.1典型相关分析CCA假设X=(x1x2……xn)∈Rdx×n和Y=(y1y2……yn)∈Rdy×n是同一目标的两个视图的数据集,其中dx、dy是样本x和y的维数，n为样本数。CCA旨在优化相关准则来找到一组投影方向，使得投影向量的相关系数达到最大投影向量相关系数定义为式（1）。（1）0引言CCA作为无监督的线性方法，对于非线性问题无能为力，从而影响识别性能。1研究背景典型相关分析（CanonicalCorrelationAnalysis,CCA）[1]是1936年由Hotelling提出,是一种将两个多维变量之间的线性关系关联起来的方法，CCA利用同一个对象的两个视图来提取不同表示。可以看作是为两组变量寻找基向量的问题，使得变量在基向量上的投影之间的相互关系达到最大。随着数据收集和数据存储技术的快速发展,它的理论己经比较完善，计算机的发展解决了典型相关分析在应用中计算方面的困难，成为普遍应用的进行两组变量之间相关性分析技术，MCCA（MultipleCanonicalCorrelationAnalysis，MCCA）[2]作为CCA方法的广义化扩展，用来对多组变量之间的线性关系进行处理。传统典型相关分析方法只适用于线性组合问题，对于非线性问题无能为力，属于无监督作者简介：黄遵文，平安开诚智能安全装备有限责任公司；研究方向：智能算法分析和应用。收稿日期：2022-09-16；修回日期：2023-06-12。摘要：阐述典型相关分析（CCA）是一种重要的多特征提取方法，它是研究变量之间相关的一种统计分析方法，能够有效地揭示变量之间的相互线性依赖关系。传统CCA方法没有充分利用样本类别信息并且只能处理简单的线性问题，提出一种核广义多重集典型相关分析方法（KGMCCA），通过引入核方法和监督信息，能够提取更具鉴别性的特征信息。在人脸数据集上的实验结果表明，该方法相较于其他特征提取方法具有更好的识别率。关键词：智能算法，核广义多重集，人脸识别，矩阵类内散布。中图分类号：TP183，TP391.41文章编号：1000-0755(2023)06-0328-03文献引用格...
