描述：
子空间和流形是高维信号的两种强大模型。子空间模型为线性相关，非常适合物理系统生成的信号，例如人脸正面图像和天线阵列上的多个源。流形对非线性相关但信号由少量参数决定的源进行建模。例如，不同姿势或表情下的人脸图像，以及不同风格的手写数字。然而，子空间或流形模型与源的真实统计数据之间总是存在一定程度的模型不匹配。本文利用子空间和流形模型作为各种信号处理和机器学习任务的先验信息。接近低秩的高斯混合模型测量接近线性或仿射子空间的并集。这种简单的模型可以有效地捕捉每一类接近子空间时的信号分布。本文研究了这些子空间之间的成对几何对分类性能的影响。当模型失配消失时，误分类概率由子空间间主角正弦的乘积决定。当模型失配更严重时，错误分类的概率由主角正弦的平方和决定。分类的可靠性是根据信号能量在主向量上的分布推导出来的。较大的主角会导致较小的分类错误，从而激发优化主角的线性变换。这种称为TRAIT的线性变换还保留了每个类中的一些特定特征，是对最近开发的低秩变换（LRT）的补充。此外，当模型失配更为显著时，TRAIT表现出优于LRT的性能。流形模型对数据变化的自由度施加了约束。学习对数据鲁棒的功能。。。
内容提供商：
杜克大学图书馆：DukeSpace 
