博文
分享自己的几个算法: 多线性子空间学习+ EEG分类
|||
最近终于花了些时间把自己提出的几个重要算法整理公布在了网上，拖了很久的任务总算完成了。下面对这几个算法简单介绍一下，如果有感兴趣的朋友，欢迎提出意见、建议，我希望通过交流对自己做的东西有个更全面的认识。还有一点就是我的中文翻译可能有些不地道，如果您有其他译名建议，也请多指教。
到目前为止，我总共公布了四个算法，其中三个是关于我的主要研究方向-多线性子空间学习，另一个是关于一个经典EEG分类算法的改进。
1. MPCA：多线性主成分分析，Multilinear Principal Component Analysis
这个是我第一个公布的算法，很多人用过，应该是问题比较少，比较稳定。MPCA是PCA到多维的一个延伸。PCA是投影矢量到矢量，而MPCA是投影张量（Tensor）到张量，投影的结构相对简单，另外运算在较低维数空间进行，处理高维数据时有低运算量的优势。南京理工大学的杨健教授是最早做这方面研究工作的学者之一。
2. UMPCA：非相关多线性主成分分析，Uncorrelated Multilinear Principal Component Analysis
这个是MPCA的同类算法，但是不同的是，MPCA是投影张量到张量，而UMPCA是投影张量直接到矢量。PCA得到的特征是非相关的（Uncorrelated），而MPCA得到的特征则没有这个特性。我提出的UMPCA则可以得到非相关的特征。作为多线性子空间学习里的一员，UMPCA运算也在较低维数空间进行，投影的结果相对简单，不过收敛性没有MPCA好。
3. UMLDA: 非相关多线性鉴别分析, Uncorrelated Multilinear Discriminant Analysis
这个算法是LDA到多维的一个延伸，因为是张量到矢量的投影并且得到非相关特征，所以算法和UMPCA接近。单用一个UMLDA通常能得到的特征较少，所以我提出了聚合（Aggregate）几个不同初始化UMLDA的方法来解决它的这个局限。类似的，UMLDA运算也在较低维数空间，投影的结果相对简单，收敛性和UMPCA类似，没有MPCA好。
4. R-CSP：正则化公共空间模式, Regularized Common Spatial Pattern
这个算法是把JH Friedman的经典算法RDA和EEG里的经典算法CSP结合，并且应用了我在UMLDA里提出的聚合（Aggregation）的方法解决选择正则化参数的问题，另外也借鉴了师姐做的Generic Learning，或者说现在流行的Transfer Learning的方法。
https://blog.sciencenet.cn/blog-599967-554261.html
上一篇：[转载兼评论】李彦宏：百度为什么不建研究院？
下一篇：转李开复微博三则：关键能力，建立好人缘，及可持续技能
