顾高升，葛洪伟，周梦璇

(1.江南大学 轻工过程先进控制教育部重点实验室，江苏 无锡 214122；2. 江南大学 物联网工程学院，江苏 无锡 214122)

0 引 言

在模式识别和机器学习领域[1]中，同一对象能够获取多组特征信息，这些特征信息能够从各个方面有效地表示该对象的属性特征，例如，人脸特征能够由肤色、形状、眼睛、发色等信息组成，一个网页属性包含网页文本、超链接、域名、标题等信息。但对于多组特征的学习，经典的单视图学习方法，如主成分分析(principal component analysis, PCA)[2-3]，并不能有效地抽取出完备的特征，因此，对多组特征的信息融合算法是非常有意义的，多视图学习[4]也成为模式识别领域研究的热点之一。

典型相关分析(canonical correlation analysis, CCA)[5-6]是一种经典的多视图学习方法，其研究了同一对象的2组变量之间的关系。与单视图的PCA不同，CCA通过最大化2组线性组合后的特征相关性，提取出多组典型相关特征。至今，CCA被用于很多领域的信息融合中，例如模式识别、图像处理、机器视觉、医疗卫生、天气预测等。偏最小二乘(partial least squares, PLS)[7]是另一种经典多视图学习方法，其目标函数是使得特征之间的变异性及相关性最大化。Borga[7]基于Rayleigh商和广义特征值问题建立了CCA与PCA、多元线性回归(multvariate linear regression, MLR)以及PLS的统一模型。Sun等[8]首次将CCA用于模式识别领域，利用CCA提取特征，并获得满意的实验结果。但CCA从本质上来讲是一种线性子空间学习方法，对于全局非线性的情况，CCA并不能提取有表现力的典型相关特征。因此，S. Akaho等[9]将核技术引进CCA，将原始空间中的特征扩展到更高维度空间中，提出核典型相关分析(kernel canonical correlation analysis, KCCA)。……