基于Kernel Discriminant Canonical Correlation（KDCC）的多观测样本分类算法

针对多观测样本分类问题，提出一种基于Kernel Discriminant Canonical Correlation（KDCC）来实现多观测样本分类的模型．该算法首先把原空间样本非线性的投影到高维特征空间，通过KPCA得到核子空间，然后在高维特征空间定义一个使类内核子空间的相关性最大，同时使类间核子空间的相关性最小的KDCC矩阵，通过迭代法训练出最优的KDCC矩阵，把每个核子空间投影到KDCC矩阵上得到转换核子空间，采用典型相关性作为转换核子空间之间的相似性度量，并采用最近邻准则作为多观测样本的分类决策，从而实现多观测样本的分类．在三个数据库上进行了一系列实验，实验结果表明提出的方法对于多观测样本分类具有可行性和有效性．