基于哈希表的动态向量降维方法的研究及应用

提出并实现了一种简洁的基于哈希表的动态向量降维方法.该方法用哈希表作为文档特征向量的存储数据结构,省去了预先构建向量模板的环节,实现了高维次稀疏特征向量的动态降维,有效减少了分类算法的数据计算量,能够显著提高分类器的性能.     

基于PCA-KLFDA的小样本故障数据集降维方法

针对小样本故障数据集降维问题,提出一种基于主元分析(PCA)和核局部费歇尔判别分析相结合的子空间降维方法.该方法首先应用PCA提取数据集中的关键信息并实施降维,然后将该子空间通过高斯核方法映射至高维线性空间,并在高维空间基于局部费歇尔判别分析训练出一个最有辨别力的低维分类特征集.用双跨转子实验台的一组故障特征数据集进行验证,结果表明:该方法能有效应对小样本的降维问题,达到增大不同故障样本集合间距离、使同类故障样本间的类内距离减小的效果,为基于数据驱动途径实现智能故障辨识技术中涉及的小样本故障数据集类别划分问题提供了一种新方法.     

基于语义相似度的文本表示降维方法

数据降维是文本表示中不可或缺的一个环节,有效的数据降维方法不仅能够减少计算量,同时有助于文本处理精度的提高.不同于传统的利用统计信息进行降维的方法,本文提出了一种基于词汇的语义相似度的文本表示的降维方法,该方法结合自然语言处理的知识,在降维环节考虑了特征词的语义信息和词性信息.实验结果表明:该方法能够有效地降低文本表示的维数,并在降维后的空间获得较高的文本处理精度,基于语义相似度的降维方法是一种适合文本处理的降维方法.     

基于降维的聚类可视化技术

基于降维或映射技术的聚类结果可视化技术提供了在二维或三维空间直观地分析数据集的聚类结构、聚类质量和分布信息的有效手段.对线性降维可视化方法、非线性降维可视化方法及映射可视化方法等进行了介绍、实例展示和讨论分析,最后对这类方法的优缺点、存在的问题和进一步的研究方向做了总结和展望.     

一种基于小波PCA的高光谱图像特征提取新方法

针对高光谱图像数据量大、数据维数高、光谱信息丰富的特点,提出一种基于小波分解的主成分分析(PCA)降维的特征提取新方法.该方法充分利用小波变换的优势,在光谱域内针对每个像元进行降维,既减少了数据量,还能保留光谱信号的差别;PCA方法充分利用像元间的相关性,保留不同类在相邻像元间的局部空间信息,弥补了空间域内小波变换类间可分性较差的问题.实验结果表明,小波分解与PCA相结合的特征提取方法能够有效地提高高光谱数据分类效率及分类精度.     

结合主元成分分析的受限玻耳兹曼机神经网络的降维方法

介绍一种能够有效地获取数据本质的基于受限玻耳兹曼机(RBM)神经网络的降维(RBMNNBDR)方法,并结合主元成分分析法(PCA),提出了一种新颖的复合特征降维方法,即PCA-RBMNNBDR.结合人脸研究的几个应用示例,通过实验对PCA-RBMNNBDR、RBMNNBDR和线性判别式分析(LDA)方法进行比较.结果表明,PCA-RBMNNBDR方法在人脸图像降维和分类方面有更好的效果,其分类正确率高于RBMNNBDR和LDA方法.     

一种基于两步降维和并行特征融合的表情识别方法

在采用特征融合方法进行人脸表情识别时,通常会产生高维特征问题.针对这一问题,提出一种基于两步降维和并行特征融合的表情识别新方法.利用主成分分析法(principal component analysis,PCA)分别对待融合的两类特征在实数域进行第一次降维,将降维后的特征进行并行特征融合;为了解决在并行融合过程中产生的高维复特征问题,提出一种基于酉空间的混合判别分析方法(unitary-space hybrid discriminant analysis,unitary-space HDA)作为酉空间的特征降维方法.该方法是实数域混合判别分析法在酉空间内的扩展,并兼顾了复特征数据的类间判别信息及全局描述信息.对局部二值模式(local binary pattern,LBP)和Gabor小波特征进行融合,并在JAFFE和CK+表情数据集上开展对比实验.实验结果表明,该方法具有较好的高维复特征数据降维能力,并且有效提高了表情识别率.     

基于主成分分析和支持向量机分类模型的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确率,提出一种基于主成分分析(principal component analysis,PCA)和支持向量机(support Vector machine,SVM)模型的滚动轴承故障诊断方法.通过比较不同方法计算的标准差和拉依达准则对数据进行误差分析,利用MATLAB软件中的PCA函数对数据进行主成分分析,将8个原始变量降维成3个综合变量,分别从降维前和降维后的输入属性数据中随机选取70％的数据作为训练集来建立SVM分类模型和PCA-SVM分类模型,而把剩余的30％作为测试集来对模型的性能进行仿真测试.MATLAB仿真测试的结果表明,PCA-SVM模型的分类效果更好,其预测正确率对于绝大多数故障诊断来说是可以接受的,可以作为一种故障诊断的评价标准.     

一种基于超像素合并的高光谱图像谱-空降维方法

基于超像素技术和流行的主成分分析方法,提出了一种基于超像素合并的高光谱图像谱-空降维方法,所提出的方法利用新定义的局部模块度函数对超像素进行合并,并在合并后的超像素图上进行降维计算.最后,采用支持向量机对降维后的高光谱数据进行分类,验证降维效果.该方法有效减缓了基于超像素降维方法的降维结果严重依赖于超像素分割尺度的问题...     

基于PCA的模糊C均值聚类算法识别AD候选致病基因

研究表明阿尔茨海默病(AD)的致病机理可能与基因有关.利用计算方法对AD基因表达数据进行挖掘,以获得AD候选致病基因,寻找治愈AD方法.结合生物信息理论应用基于主成分分析(PCA)方法的模糊C均值算法处理基因表达数据:观察到AD基因表达数据具有线性相关性后,先用PCA对数据降维,再利用一维分类方法对降维后的数据聚类,然后将结果提供给模糊C均值算法作为其初始聚类数目和聚类中心.通过算法,最终识别出9个AD候选致病基因.     

多标记数据的特征及标记降维方法综述

多标记学习降维方法在实际应用问题中用以处理特征,标记或二者维度较高的数据集,已成为研究热点;针对目前多标记学习降维方法数量众多,种类繁杂而导致缺乏科学分类的问题,从多标记数据降维空间选择的角度,提出将多标记学习降维方法按照特征空间降维,标记空间降维和二者均降维的形式归纳为三类,其中特征空间降维又分为特征降维和特征选择两类问题,分别从独立于和依赖于彼此空间的角度对已有的40余篇文献中的典型多标记学习降维算法的研究现状进行了综述;最后,总结了多标记学习降维方法的研究现状和启示,并提出了未来进一步的研究方向。     

基于邻域互信息和自组织映射的特征基因选取

针对基因表达谱数据的高维度、低样本和连续型等特点,提出一种结合邻域互信息和自组织映射进行特征基因选取的方法.首先提出一种改进的Relief算法,对基因进行排序生成候选特征集合;然后提出基于邻域互信息的自组织映射算法对生成的候选特征基因进行聚类;最后利用提出的属性重要性系数从每一类簇中选择代表基因组成特征基因子集.实验结果表明,该方法可以快速有效地选取肿瘤特征基因,能获得较好的分类结果.     

基于多元图形特征融合原理的降维方法研究

降维是将高维模式映射到低维子空间的过程.在降维后的低维子空间进行分类往往能得到更好的效果.本文以高维数据为研究对象,采用多元描述图对高维数据进行可视化表达,采用多元图图形特征融合的方法对高维数据进行降维,用K邻分类器进行分类效果评价.与Fisher线性判别及其他一些常用非线性降维方法相比,本文所提方法在数据的可视化以及分类精度等方面均有较好效果.     

基于同义词词林的文本特征选择方法

特性选择是文本分类、机器学习以及模式识别领域的重要问题之一.特征选择能在保证数据完整性的情况下减少高维数据的特征维数,同时提高分类的精度.以往提出的基于同义词词林的特征选择方法虽然能有效避免提取出的特征值在概念上的重复性,但并未考虑到权值最优的特征向量构成的子集可能并非是最优的.为了解决此问题,结合同义词和遗传算法,提出了一种新的基于同义词词林的文本特征选择方法.该方法首先对特征词进行同义词过滤、合并,在降低特征向量维度的同时避免了同义词带来的影响.然后采用改进的遗传算法选出具有较好适应度值的特征向量.实验结果表明,这种方法较之以往提出的方法,在保证特征选择准确率的基础上能明显地减小特征向量的维度.     

高维数据分类中的特征降维研究

以高维分类为目标,从分类的准确率与模型解释性角度探讨了降维的必要性,分析了特征选择与抽取2类方法特点,并对常用的特征抽取方法,包括主成分分析(PCA)、偏最小二乘(PLS)和非负矩阵分解(NMF)进行了阐述.考虑到约减后的数据缺乏稀疏性与可解释性,提出了基于稀疏正则化的特征抽取模型,为高维特征降维提供了一种新思路.     

Comparison between PCA and KPCA methods in comprehensive evaluation of robotic kinematic dexterity

Due to the correlation and diversity of robotic kinematic dexterity indexes, the principal component analysis （PCA） and kernel principal component analysis （KPCA） based on linear dimension reduction and nonlinear dimension reduction principle could be respectively introduced into comprehensive kinematic dexterity performance evaluation of space 3R robot of different tasks. By comparing different dimension reduction effects, the KPCA method could deal more effectively with the nonlinear relationship among different single kinematic dexterity indexes, and its calculation result is more reasonable for containing more comprehensive information. KPCA＇ s calculation provides scientific basis for optimum order of robotic tasks, and furthermore a new optimization method for robotic task selection is proposed based on various performance indexes.     

基于属性相似度的连续型特征选择方法

特征选择作为模式识别领域的研究热点,是一种重要的降维方法.对于连续型特征,目前主要采用离散化方法或特征分类能力的"相关性"评估进行特征选择.引入区间数相似度的概念,提出一种连续型特征选择方法.该方法以区间数相似度为基础,定义每个特征的属性相似度,以此作为特征选择的启发信息,对特征全集进行排序,选择特征子集,实现特征选择.相关实验表明了该方法的有效性.     

一种深度自编码器面部表情识别新方法

为解决面部表情特征维度高的问题,该文提出了一种基于深度学习自编码器的表情识别新方法,该方法利用深度自编码器在多层隐层上进行特征选择,能够在较低维度上表示高维度的面部特征.首先采用定向梯度直方图从面部表情的选定区域提取特征,然后在多个层面上使用深度自编码器,得到最优编码特征,降低特征维度,最后使用支持向量机模型对降维特征进行分类.实验表明,与其他现有特征选择和降维技术相比,该文方法提取的特征优于其他特征,并能够有效实现面部表情识别.     

基于一种新的特征提取的语音辨识

提出了一种新的二次特征提取的方法应用于说话人语音辨识.首先,通过基于熵的特征筛选方法,有效地剔除不重要或者噪声特征,消除语音特征的冗余,并获得其重要性排序,减少语音特征矢量的维数.然后,采用Fisher准则进一步进行参数选择,按 Fisher 比的大小选择特征向量作为投影轴,将高维空间中的特征矢量映射到低维的特征判别空间,然后以SVM作为分类器实现说话人辨识系统.实验结果表明,本文提出的方法在不影响识别率的情况下可以对输入数据有效降维,在噪音环境下取得了较好的识别效果,增加了系统的鲁棒性.     

多阶段的微阵列数据特征基因集选取

为解决微阵列数据中因样本量少且每个样本的维度高而带有大量干扰信息和冗余信息的问题, 通过分阶段的步骤对特征基因集进行全方位的选取和优化。考虑到单个基因在不同环境中的差异性, 从中选择出只在特定条件下差异较大的基因构成候选特征集; 剔除候选特征集中相关性较小的基因; 采用遗传算法对所得特征集的任意子集的整体分类性能进行考查, 选出较优的子集。实验结果表明, 该算法对逐步选取特征基因具有可行性和有效性, 而特征基因集在分类适应度（分类能力度量）和分类准确率均比原始数据更好。