1、“.....即基于的方法。该方法首先利用非线性核映射在个更高维的特征空间输入数据，并以这样种方式，克服了在非线性空间特征提取的问题。然后将类内与类间内的散度差作为定义在上述基础的判别标准因此，可以避免类内散布矩阵奇异性问题所导致的在判别分析中的小样本问题。我们在数据库的子样本上进行实验，实验结果表明了该方法的有效性。简介线性判别分析是种流行且有效的方法提取特征。该的基本思想是试图找到通过最大化类间散布矩阵和尽量减少类内散布矩阵......”。

2、“.....由于高维，小样本问题,在人脸识别中也遇到了古典不能直接用于在那类总是奇异的内散布矩阵。为了克服这个问题，些人陈等赵等杨等，提出了些相应的技术力量，个非常流行的技术通常称为主成分分析的方法被广泛利用。此外，宋等，提出了个方法，称为，采用了两个类间散度差鉴别准则和类内散布，由于逆矩阵不必建造，因此小样本问题发生在传统的判别分析是可以避免的。作为线性投影是不称职的非线性特性分开，但是，在诸如人脸识别许多实际应用中......”。

3、“.....姿势和脸部表情的变化。为了解决这个问题，我们的理念是成为个功能空间，在其中的数据有个线性结构线性尽可能分开非线性地图数据。我们在特征空间执行。我们将使用核心过关，解决了在高维特征空间的投影方向计算，并最终转换成个执行中实施核主成分分析的问题，问题在特征空间变换空间。应该提的是本文中的是不同于的。该想法是解决在特征空间中的问题，从而产生了在输入空间的非线性鉴别矢量集，它可以通过最大化作为方程中描述的标准实现。虽然在本文中，内核是个隐含的引入，实现非线性映射，使得线性结构的数据在特征空间建立......”。

4、“.....第节介绍我们提出的方法。最后两节给出实验结果和结论。李亚龙基于核化的人脸识别系统和的概述最大散度差的准则假设有类已知模式，为类间散布矩阵和类内散布矩阵可以表示为其中，为训练样本总数，是类的训练样本数，在类中，第个训练样本表示为，在类上的训练样本的平均向量是指由和所有训练样本的平均向量。从古典准则函数中我们知道，当类间散布和类内离散率最大化，样品可以容易分开。在此，提出了种基于散度差判别准则的定义如下宋等，......”。

5、“.....最大化的最优解集的特征向量,对应前个最大特征值,,，比较最大散度差的与传统的鉴别准则的准则，我们发现，前者避免了反类内散射计算是取代,这不仅可以使计算更有效率，同时避免了类内散布的奇异问题。核主成分分析的主要的想法是先通过非线性映射映射到特征空间输入空间，然后计算在特征空间中的主要组成部分。给定个训练样本集，在输入空间中输入的训练样本在中的映射函数为,,,，然后，核主成分分析用于角化映射数据的协方差矩阵......”。

6、“.....它可以通过文献等，年建议的方式做到。根据生产的内核等，的理论，任何必须存在于空间，这是由函数,,,其中,,是膨胀系数，为获得他们，令,，公式可以记为以下形式让我们形成的矩阵，它的元素是由公式决定。安徽工程大学毕业设计论文,是集中式的在公式中。其中计算正交特征向量,当映射样本预计到的特征向量,,,，转换的特征向量......”。

7、“.....方法特征空间的,模型散度差的核心理念刘等人，年，年，是解决分散在特征空间，它可以通过最大程度地为实现方程所描述的标准差的问题。由于是个平衡和，的非负常数，为简单起见，我们设。那么我们有得到的最佳鉴别矢量用于特征提取特征空间。给定个样本和其映射图像，我们可以得到以下鉴别特征的转化载体,,......”。

8、“.....其中,可以表示为李亚龙基于核化的人脸识别系统,,,,截至目前，在本质已被发现。也就是说，首先采用的降低特征空间维数为，然后是在空间的转变的另个特征提取。算法根据上述描述的基础上，我们提出了个新颖的非线性特征提取方法，即核最大散度差准则，其主要思路是实施核主元变换空间的最大散度差，那么可以得出的结论是该方法的本质为基于的......”。

9、“.....采用均衡器。使用方法转变为空间中的所有样本。使用公式计算，其中，为训练样本数。第二步使用均衡器计算类间散布矩阵和散布矩阵。那么最优鉴别特征向量矩阵，可以计算出的特征系统其中表示类中的第个训练样本，是类中的训练样本数，类的训练样本平均向量记为，所有训练样本的平均向量为。第三步投射到所获得的最佳鉴别矢量所有样品和预期的特征向量第四步分类器的分类与预测的特征向量。实验在本节中，多次实验的目的是证明了我们方法的有效性......”。