mhaghighat-Generalized_Discriminant_Analysis

GeneralizedDiscriminantAnalysis

function mappedData = gda（datatrainDatatrainLabelnDimoptions）

% GDA Performs Generalized Discriminant Analysis a non-linear feature
% dimensionality reduction technique.
% 
% GDA is one of dimensionality reduction techniques which projects a data 
% matrix from a high-dimensional space into a low-dimensional space by 
% maximizing the ratio of between-class scatter to within-class scatter. 
% 
% 
% Inputs:
%       data:           p-dimensional matrix containing the high-dimensional data to be projected
%                       p:  number of dimensions in high-dimensional space
%
%       trainData:      pxn matrix containing the high-dimensional training data
%                       n:  number of training samples
% 
%       trainLabel:     Row vector of length n containing the class labels for training data
% 
%       nDim:           Numer of dimensions to be retained （nDim < c）
%                       Default:    c-1
%                       c:  number of classes
% 
%       options:        Please see the kernel function （kernel.m）.
%         
% 
% Output:
%       mappedData:      nDim-dimensional projected data matrix
% 
% 
% Sample use:
% trainGda  =  gda（trainDatatrainDatatrainLabel）;     % Project the training data matrix into a low-dimensional space
% testGda  =  gda（testDatatrainDatatrainLabel）;       % Project the test data matrix into a low-dimensional space
% 
% 
% 
%   Details can be found in Section 4.3 of:
%   
%   M. Haghighat S. Zonouz M. Abdel-Mottaleb “CloudID: Trustworthy 
%   cloud-based and cross-enterprise biometric identification“ 
%   Expert Systems with Applications vol. 42 no. 21 pp. 7905-7916 2015.
% 
% 
% 
% （C）	Mohammad Haghighat University of Miami
%       haghighat@ieee.org
%       PLEASE CITE THE ABOVE PAPER IF YOU USE THIS CODE.
% 
% Thanks to Dr. Saeed Meshgini for his helps.



if（size（data1） ~= size（trainData1））
   error（‘DATA and TRAINDATA must be in the same space with equal dimensions.‘）;
end

if（size（trainData2） ~= size（trainLabel2））
   error（‘The length of the TRAINLABEL must be equal to the number of columns in TRAINDATA.‘）;
end

if （~exist（‘options‘‘var‘））
   options.KernelType=‘linear‘;
end


% Separate samples of each class in a cell array

c = max（trainLabel）;
dataCell = cell（1c）;
nSample = zeros（1c）;
for i = 1:c
    ind = find（trainLabel==i）;
    nSample（i） = length（ind）;
    dataCell{1i} = trainData（:ind）;
end
clear trainLabel


% Create class-specific kernel for the training data

kTrainCell = cell（cc）;
for p = 1:c
    for q = 1:c
        Kpq = zeros（nSample（p）nSample（q））;
        classP = dataCell{1p};
        classQ = dataCell{1q};
        for i = 1:nSample（p）
            for j = 1:nSample（q）
                Kpq（ij） = kernel（classP（:i）classQ（:j）options）;
            end
        end
        kTrainCell{pq} = Kpq;
    end
end
kTrain = cell2mat（kTrainCell）;
clear kTrainCell

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2015-08-21 15:55  mhaghighat-Generalized_Discriminant_Analysis-a447238\
     文件        1289  2015-08-21 15:55  mhaghighat-Generalized_Discriminant_Analysis-a447238\LICENSE.md
     文件         780  2015-08-21 15:55  mhaghighat-Generalized_Discriminant_Analysis-a447238\README.md
     文件        5784  2015-08-21 15:55  mhaghighat-Generalized_Discriminant_Analysis-a447238\gda.m
     文件        6038  2015-08-21 15:55  mhaghighat-Generalized_Discriminant_Analysis-a447238\kernel.m