一种基于最大化比率和线性判别分析的数据降维方法技术

本发明专利技术涉及一种基于最大化比率和线性判别分析的数据降维方法，属于图像分类与模式识别领域。包括构建数据矩阵、标签向量和标签矩阵；计算类内协方差矩阵和类间协方差矩阵；构建基于最大化比率和的线性判别分析的优化问题；采用交替优化迭代算法求解能够最大化目标函数的投影矩阵。本发明专利技术建立了基于最大化比率和的线性判别分析方法的目标函数，避免了传统线性判别分析倾向于选择小方差、鉴别能力弱的特征的问题，能够选择更有利于分类的特征。不依赖类内协方差矩阵的逆矩阵的计算，不需要进行数据预处理，提高了数据降维方法对原始数据特征的适应性。

【技术实现步骤摘要】
一种基于最大化比率和线性判别分析的数据降维方法
本专利技术属于图像分类与模式识别领域，具体涉及一种基于最大化比率和线性判别分析的数据降维方法。
技术介绍
数据降维技术是图像分类和模式识别领域的一个重要的研究课题。在大数据背景下，在实际应用场景中直接获取的原始数据量是巨大的，这些数据的高维度和高冗余对数据存储和数据处理造成了极大的困难，并且提高了对数据存储和处理的硬件平台的要求。数据降维是对原始高维数据进行降维处理，在保证降维后的数据仍然保留原始数据包含的大部分信息的同时，尽可能降低数据的维度，以提高数据存储和处理效率，降低对硬件和后续数据处理算法的要求。由于数据降维能减少数据维度和需要的存储空间，节约模型训练计算时间，提高后面应用算法的准确度，数据降维技术已经被广泛应用于人脸识别、高光谱图像分类、中草药分类的等实际应用场景的前期数据处理中。目前的数据降维方法包括特征选择和特征提取两类，特征选择方法是从原始高维数据中直接选择关键特征，特征提取是将现有特征投影到新空间形成新特征。前者有利于保留数据的物理意义，而后者获得的新特征难以解释，但是本文档来自技高网...

【技术保护点】
1.一种基于最大化比率和线性判别分析的数据降维方法，其特征在于步骤如下：/n步骤1：构建数据矩阵、标签向量和标签矩阵；所述的数据为高光谱图像、中草药图像或人脸图像；/n步骤2：计算类内协方差矩阵和类间协方差矩阵；/n步骤3：构建基于最大化比率和的线性判别分析的优化问题/n设计最优化问题的目标函数为

【技术特征摘要】
1.一种基于最大化比率和线性判别分析的数据降维方法，其特征在于步骤如下：
步骤1：构建数据矩阵、标签向量和标签矩阵；所述的数据为高光谱图像、中草药图像或人脸图像；
步骤2：计算类内协方差矩阵和类间协方差矩阵；
步骤3：构建基于最大化比率和的线性判别分析的优化问题
设计最优化问题的目标函数为其中优化变量为投影矩阵约束为WTW＝I；Sw、Sb分别为类内协方差矩阵和为类间协方差矩阵；构建F(W)的等价目标函数其中优化变量为投影矩阵以及向量约束为WTW＝I；其中，m是最终要投影的子空间特征维度，σ是一个自适应参数；
步骤4：求解能够最大化目标函数的投影矩阵。


2.根据权利要求1所述的一种基于最大化比率和线性判别分析的数据降维方法，其特征在于步骤1具体如下：获得一组特征维度为d的n个样本，xi的每一个元素值为数据对应的样本的特征的值，n个样本的类别标签向量为其中yi＝1,2,...,c表示第i个样本的类别，c为样本的类别总数；采用n个样本构建训练样本矩阵利用标签向量构造标签矩阵其中标签矩阵的每一个元素的值定义为：



其中i＝1,2,...,n，j＝1,2,...,c。

【专利技术属性】
技术研发人员：王靖宇，王红梅，聂飞平，李学龙，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61