1、多標記分類研究一個對象同時與多個標記相關的問題。與傳統(tǒng)的單標記分類相比，多標記分類更普遍，在許多領域，例如多主題文本分類、圖像與視頻標注等方面都具有實際的應用意義。所以其越來越受到關注，目前，已經有大量多標記分類算法被提出。其中，多標記線性判別分析算法(MLDA)是一種有效的處理多標記分類的方法，但其不能保持數據的局部幾何結構。本文針對多標記分類進行了研究，改進了多標記線性判別分析算法，主要研究工作和創(chuàng)新點如下：
　?。?）原始的

2、MLDA算法通過對經典的線性判別分析算法(LDA)中的散度矩陣進行重新定義，并且考慮了標記間的聯系，較好地處理了多標記分類問題，但是，MLDA忽略了數據的局部幾何結構。而在近年來的很多研究中都表明，局部結構信息對于降維是十分重要的。為了解決這個問題，本文引入圖正則項，對多標記線性判別分析算法進行改進，提出了新的圖正則的多標記線性判別分析算法(GR-MLDA)，同時保持了數據的整體和局部幾何結構信息，提高了算法的性能。通過實驗，我們在多個

3、數據集上，和多種算法做了比較，證明了GR-MLDA的性能優(yōu)于原始的MLDA算法。
　?。?）在原始的MLDA算法中，當數據集維度較高時，計算的時間和空間復雜性都非常高，本文通過去除矩陣中零空間的思想，在求解GR-MLDA目標函數的特征值問題之前，去除了散度矩陣的零空間，然后再計算特征值問題，從而優(yōu)化了高維數據降維的計算過程，降低了時間和空間的復雜度。實驗證明，原始MLDA的計算時間甚至是GR-MLDA的幾百倍。
　?。?）已