摘要：利用数据集几何结构鉴别信息、未标记数据集等隐含先验信息是提高模式分类器性能的有效方法．实际数据集不仅具有多模态、含噪、高维等特性，而且训练数据集和测试数据集分布存在差异的现象，降低了支持向量机（Support vector machine，SVM）的性能．基于迁移学习、局部Fisher鉴别分析等方法，提出一种优化局部鉴别领域相关支持向量机算法．该方法提出一种基于维数约简的自适应距离度量学习方法，消除数据噪声以及冗余特征，更好地描述数据局部几何特性；通过把局部Fisher鉴别信息嵌入到SVM，提高了算法对多模态、不可分数据集的分类性能；把源数据集与目标数据集分布差异信息引入SVM目标函数中，解决了因训练数据与目标数据数量差别过大而导致传统SVM性能下降的问题．基于最小二乘SVM原理和8一dragging技术把本文方法扩展到多分类问题，保证算法的泛化性能，降低多分类器训练计算量．仿真结果表示，本文方法具有良好的模式分类性能．

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社