The present invention provides a new approach to heteroscedastic linear discriminant analysis (HDA) by defining an objective function which maximizes the class discrimination in the projected subspace while ignoring the rejected dimensions. Moreover, we present a link between discrimination and the likelihood of the projected samples and show that HDA can be viewed as a constrained maximum likelihood (ML) projection for a full covariance gaussian model, the constraint being given by the maximization of the projected between-class scatter volume. The present invention also provides that, under diagonal covariance gaussian modeling constraints, applying a diagonalizing linear transformation (e.g., MLLT--maximum likelihood linear transformation) to the HDA space results in an increased classification accuracy. In another embodiment, the heteroscedastic discriminant objective function assumes that models associated with the function have diagonal covariances thereby resulting in a diagonal heteroscedastic discriminant objective function.

La presente invenzione fornisce un nuovo metodo ad analisi discriminante lineare heteroscedastic (HDA) definendo una funzione obiettiva che eleva la distinzione del codice categoria nel sottospazio proiettato mentre ignora le dimensioni rifiutate. Inoltre, presentiamo un collegamento fra distinzione e la probabilità dei campioni proiettati ed indichiamo che HDA può essere osservato come proiezione costretta di probabilità massima (ml) per un modello gaussiano di covarianza completa, il vincolo che è dato dalla massimazione del volume proiettato dello spargimento del fra-codice categoria. La presente invenzione inoltre assicura quella, sotto i vincoli modellanti gaussiani di covarianza diagonale, applicanti una trasformazione lineare diagonalizing (per esempio, MLLT -- trasformazione lineare di probabilità massima) ai risultati dello spazio di HDA in un'esattezza aumentata di classificazione. In un altro incorporamento, la funzione obiettiva discriminante heteroscedastic suppone che i modelli connessi con la funzione hanno covarianze diagonali quindi con conseguente funzione obiettiva discriminante heteroscedastic diagonale.