本文提出了一种新的具有先验类别信息的非线性主元分析算法:PKPCA(Priori Kernel Principal Component Analysis),通过将样本类内差和类间差融入总体方差中,从而达到更好的分类目的。提出重构样本库的概念及构建算法,获得稀疏样本库,减少特征向量维数。可以证明KPCA(Kernel Principal Component Analysis)和KFD(Kernel Fisher Discriminant)是PKPCA参数取极限的两个特例。同时可以克服KFD只能求得(类别数-1)个特征向量的不足。最后,利用构造的函数类对第一个主元的分类能力进行仿真分析,以及对信用卡、天文、疾病等数据进行实验分析,表明本算法明显优于KPCA算法,获得了满意的分类效果。
