多重集典型相关分析的特征抽取理论及扩展研究

Feature extraction is a fundamental problem and has become a research focus in pattern recognition. In order to solve the critical techniques in multiset feature extraction, the project first investigates in depth multiset canonical correlation analysis with applications to feature extraction and fusion in multi-representation data. Second, the project studies the generalization and extensions of multiset canonical correlation analysis based on fractal dimension space and sparse representation. Finally, we will break through the related crucial theory and techniques to construct a set of effective and robust multiset feature extraction and fusion methods. The project will perform the following research work: (1) Introducing supervised information, kernel learning and locally linear methods respectively to multiset canonical correlation analysis, build multiset feature extraction techniques in multi-representation data; (2) Based on the idea of fractal dimensions, construct a fractal-dimension (multiset) canonical correlation analysis framework; (3) Based on the learning of multiple dictionaries simultaneously and the united sparse representation of multiple features, we are intended to intensively study the theory research of sparse multiset canonical correlation analysis. The research in the project will vastly promote the theoretical development and extensive applications of multiset feature extraction and fusion techniques, and it is very meaningful and valuable in theory and practice.

特征抽取是模式识别的基本问题，也是模式识别领域的研究热点。本项目以多表示数据的特征抽取与融合为研究对象，以多重集典型相关分析、分数维及稀疏表示的前沿思想为出发点，集中解决与实际应用密切相关的多组特征抽取理论及其相关技术，探索有关前沿理论在多重集典型相关分析中的合理推广与拓展，从而突破其中的关键理论与技术，构建一套行之有效的多组特征抽取与融合的理论框架。本项目拟开展如下研究工作：（1）引入监督信息、核技术以及局部化思想，深化研究多重集典型相关分析的理论及多组特征抽取技术；（2）基于分数维的思想，开展分数维（多重集）典型相关分析理论框架的构建与应用研究；（3）以多组字典的共同学习和特征的多稀疏表示为主要研究内容，深入开展稀疏多重集典型相关分析的理论研究。本项目对于推动多表示数据的特征抽取与融合技术的研究具有重要的理论与实际意义。

多表示数据的特征抽取与识别问题是模式识别领域的研究热点。本项目以多重集典型相关分析、分数维及稀疏表示的前沿思想为出发点，探索有关前沿理论在多重集典型相关分析中的合理推广与拓展，突破其中的关键技术，丰富和完善了多重集典型相关分析在多组特征抽取与融合中的理论体系，取得了丰硕的研究成果。完成的创新工作如下：.（1）通过引入监督信息、核技术以及局部化思想，建立新的相关度量准则函数等技术手段，构建了多重集典型相关分析的拓展模型及其算法，丰富了多重集典型相关分析的理论体系、特征抽取理论与方法（撰写了20余篇研究论文，其中发表了包括IEEE Transactions on Neural Networks and Learning Systems(TNNLS)、Pattern Recognition(PR)等SCI论文8篇，EI论文2篇，国际会议论文3篇）。.部分重要的研究成果包括：基于全局保持投影的多重集典型相关分析框架；图正则化多重集典型相关分析；核传播典型相关分析；拉普拉斯多重集典型相关分析；组间一致的协同判别多重集相关投影；基于直和多核策略的多重集典型相关分析算法；广义模糊典型相关分析算法等。.（2）突破整数维空间思想的限制，提出并建立了分数维（多重集）典型相关分析的理论体系，拓宽了多表示数据特征抽取与融合的理论研究与应用范围，为模式识别的特征抽取理论提供一个崭新的研究方向与思路（撰写了6篇研究论文，其中已发表了包括PR、Neurocomputing等SCI论文4篇）。.部分重要的研究成果包括：构建了分数阶嵌入（多重集）典型相关分析理论框架；引入监督机制的广义典型相关分析和判别典型相关分析；分数阶的正交多重集典型相关分析模型；分数阶嵌入的直接线性鉴别分析理论与算法等。.（3）发展并完善多组特征间字典的学习与关联模型，建立多重集典型相关分析与稀疏表示相统一的理论框架，深入开展稀疏识别理论与稀疏多重集典型相关分析理论的研究，为多表示数据的稀疏特征抽取及应用提供重要的理论支撑（撰写了14篇研究论文，其中已发表了包括IEEE Transaction on Image Processing(TIP)、PR、Neurocomputing等SCI论文11篇，国际会议论文1篇）。.部分重要的研究成果包括：稀疏判别的多重集典型相关分析；基于标签传播的半监督典型相关分析算法；多核稀疏表示的鉴别