در این تحقیق، روشی برای بهبود استخراج ویژگی غیرپارامتریک وزن دار ارائه شده است، که در مسائل تشخیص الگو در فضاهای با ابعاد بالا استفاده می گردد. روش استخراج ویژگی غیرپارامتریک وزن دار براساس بسط غیرپارامتریک ماتریس های پراکندگی قرار گرفته است، که پارامترهای میانگین آنها به طور جداگانه برای هر نمونه و با استفاده از مجموع وزن دار نمونه های سایر کلاس ها محاسبه می شوند. وزن هر یک از این نمونه ها براساس فاصله اقلیدسی آنها از نمونه اصلی (نمونه تحت بررسی) محاسبه می گردد. اما تنها با استفاده از پارامتر فاصله نمی توان پراکندگی نمونه ها را به طور کامل بیان کرد، و محل قرارگیری آنها نیز در بیان پراکندگی نمونه ها مؤثر است. بدین معنی که ممکن است دو نمونه که فواصل یکسانی از نمونه اصلی (نمونه تحت بررسی) دارند، وابستگی شان به آن نمونه یکسان نباشد. به عنوان مثال، ممکن است که یکی از آنها کاملاً به نمونه اصلی وابسته باشد و دیگری کاملاً مستقل از آن باشد. از سوی دیگر، این وابستگی ها با ترکیب خطی آنها مرتبط است. چرا که در حالت ایده آل انتظار می رود نمونه های یک کلاس، کاملاً ترکیبی خطی از یکدیگر باشند و نمونه های کلاس های متفاوت کاملاً مستقل از هم باشند. از این رو، ترکیب خطی بین نمونه ها در تعیین پراکندگی ها مؤثر خواهد بود. در پژوهش حاضر، با استفاده از پارامتر مهم ترکیب خطی، نتیجه روش استخراج ویژگی غیرپارامتریک وزن دار بهبود یافته است. نتایج نشان می دهند که روش ارائه شده در اکثر کلاس ها و به ویژه در کلاس های بحرانی که تشابه طیفیِ بالایی نسبت به هم دارند، بهتر از روش استخراج ویژگی غیرپارامتریک وزن دار عمل کرده است. بهترین نتیجه به دست آمده دارای دقت کلی بیش از 82 درصد با ضریب کاپایی بهتر از 80 درصد بوده است.
