智能系统学报 第8卷 -K1 (11) 的变化对T3和T4的变化影响也最大，与T2同样的 道理，在用T3和T4降维的过程中也可以只考虑对 第4项： 统计量影响最大的第1项. 是∫2氵exe(x)mp()m'gr)d= 再比较中的1K1,3中的K六I和工 L空亨noo 中的1K名1，它们的核参数分别为子0。和 字2 司，海小于另外可以计算出元，和五中比 k(E.)ade 重最大的一项分别为是1K名人K分1和 5是k(✉，)mm= K因此可以总结归纳出工，中比重最大的 是KK)= 一项为K点，其中n是大于0的偶数，从中 √2+1 可以看出两点： Y(FKD. (12) )1 0<0； 将式(9)~(12)代入式(8)，得到 √n2+1 方=K-是K+KD.(13) 2)-(K)=0 同理，用C来代替式(7)中的C,可以导出新的统 从第1点可以看出，这些比较重要项的核参数 计量： 不能随意取，而是在(，0)之间：从第2点可以看 2 乃K-K-是K+ 出，越高阶的统计量提供的信息越少.因此接近二阶 II+(KD-M(KD)': 的统计量比较有用，即接近。且大于二。的项比 √2 2 (14) 较重要.于是结合统计量V(P。)与D-vs-E,可以构造 用C来代替式(7)中的C,可以导出： 这样一个统计量： =1K-IKl+KⅡK1+ T=u(I'KolI+IKloI.+IKI)+ NN KmKI-名K,K1- 严K,I=u∑∑(k(x,)+km(x,)+…+ NN (16) 是(K)+(K, kx)+公k,(x. (15) 式中：4>0是一个调整系数，2>a1,2,…,an>1, 观察式(13)，它由3个部分组成，第1部分 由第2点可以看出n是一个较小的正整数.式(16) K的系数在3项中最大，因此其在了，中 与文献[16]中的广义D-vs-E不谋而合，只是在范围 所古比重最大，K31在降维前后的变化则成为 的选择(1,2，…，a>1)上又加以限制.因此可以 通过调节广义D-vs-E中的参数a1,a2,…,an来达 了T2降维前后变化的主要影响因素.既然如此，就 到整合高阶统计量的目的，同时又避免了大量的计 算.因此，在此类基于Parzen窗的特征降维方法中， 只需考虑1，的第1部分为K1,后面2个部分都 无需研究更高阶的统计量. 可以略去，这样就达到了简化问题的目的.再观察式 4结束语 (14)和(15)，同样地，第1部分1PK1和 本文对由R.Jenssen提出的KECA方法和笔者 K古统计量乃和工的比重最大，它们各自 最近提出的KCCA方法导出的一系列高阶统计量进 行了研究，发现通过调节广义D-vs-E中的参数能够