全文总字数：1200字

1. 研究目的与意义

在人脸识别过程中，人脸图像往往具有复杂的非线性分布结构，通常人脸识别是非线性可分的问题。针对非线性可分的问题，核技术(kernel trick)是模式识别中处理非线性可分的重要方法。支持向量机（SVMs）在模式识别领域获得成功的关键因素之一就是使用了核技术(kernel trick)，其思想就是通过适当的非线性映射Φ将非线性可分的原始样本输入空间变换到某一线性可分的高维特征空间（Hilbert空间）H，而这种非线性映射Φ是通过定义适当的内积函数(核函数k(x,y)=(Φ(x),Φ(y)))来实现的，不必知道采用的非线性映射Φ的形式。在高维空间中的线性问题的计算复杂度并没有增加。核技术提供了一种有效提取样本的非线性特征的方法。本课题提出了新的特征提取的方法：针对线性特征提取问题，基于核最大间距准则下，提出一组具有统计不相关性的最优核鉴别矢量集的递推计算计算方法。最优(核)鉴别矢量集中引入统计不相关性是消除了投影变换后特征分量之间的统计相关性，增强特征提取的有效性，提高了识别率。

2. 国内外研究现状分析

支持向量机是由贝尔实验室的viadimir n.vapnik 博士等人在1995年基于统计学习理论基础上提出的一种专门研究小样本情况下的新型的机器学习方法。与传统统计学相比，svm算法不是以经验风险最小化原则为基础的，而是建立在结构风险最小化原则基础之上的，是一种新型的结构化学习方法。

svm与神经网络、决策树不一样，它不是利用经验的启发式算法来修剪结构，而是通过改变一个控制参数来连续调节模型复杂度和结构，并且这种调节是自动的。可以说svm是真正意义上的机构可以自动选择的学习机，它能很好地解决有限数量样本的高维模型的结构问题，具有良好的分类能力和预测性能。由于svm 在许多应用领域表现出较好的推广能力，自20世纪90年代提出以后，迅速引起各领域的注意和研究兴趣。目前对svm的研究主要有以统计学习理论为基础的理论研究、各种改进的svm算法、针对大型问题的有效算法以及各种应用领域的推广等。

svm是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域。svm迅速发展和完善，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广到函数拟合等其他机器学习问题中。

3. 研究的基本内容与计划

内容：

1、fisher核化（kfda)

2、核最大间距准则(kmmc)

4. 研究创新点

1. 比较KPCA、KFDA、和KMMC

2. 对于给定的数据，如何选择最为合适的核函数。