【技术实现步骤摘要】
本专利技术属于统计模式识别与机器学习
，具体涉及。
技术介绍
模式分类是机器学习领域最基本的研究任务之一。在实际问题中，各模式的每一维都是该模式的一个特征。由于通常不知道哪些特征对分类是有效的，因此通常是尽可能多地采集数据特征，然后交给分类器去判断。因此，表征模式的特征通常是高维的。高维的模式特征通常带来两方面的问题1)计算和存储代价较高，2)维数灾难问题。维数灾难问题是许多模式识别方法在实际应用中面临的主要问题，如人脸识别、图像分类和文本处理等。当样本量有限而特征维数很高时，维数灾难问题就会凸现，它直接导致分类器性能的下降。特征提取就是研究如何从现有的特征中提取出有效特征，同时把数据从高维空间映射到低维空间。映射可以是线性或非线性的。由于线性特征提取方法的简单有效性，它广泛应用于机器学习和模式识别的各个领域。 当前，已提出了很多线性特征提取方法，主要的有 文将主分量分析运用于人脸识别，提出了特征脸方法。主分量分析寻找在最小均方意义下最能代表原始数据的投影，将高维人脸图像用低维特征系数表示。主分量分析是以信号表示为目的的特征提取，不需要类标号...
【技术保护点】
一种用于ｋ近邻分类的线性特征提供方法，设Ｘ＝［ｘ↓［１］，ｘ↓［２］，…，ｘ↓［ｎ］］为原空间Ｒ↑［Ｄ］中的ｎ个样本，要寻找一个线性映射Ｐ，使Ｘ在该线性映射下得到的新空间中，同类近邻点之间尽可能的近，异类近邻点之间尽可能的远： ［ｘ↓［１］，ｘ↓［２］，…，ｘ↓［ｎ］］＊［Ｐ↑［Ｔ］ｘ↓［１］，Ｐ↑［Ｔ］ｘ↓［２］，…，Ｐ↑［Ｔ］ｘ↓［ｎ］］ （１） 同类近邻点之间的紧度定义为： △＝＊‖Ｐ↑［Ｔ］ｘ↓［ｉ］－Ｐ↑［Ｔ］ｘ↓［ｊ］‖↑［２］ （ｘ↓［ｉ］∈Ｎｅｉｇ↑［Ｉ］（ｊ）∨ｘ↓［ｊ］∈Ｎｅｉｇ↑［Ｉ］（ｉ）） （２） 其中Ｎｅｉｇ↑［...
【技术特征摘要】
【专利技术属性】
技术研发人员：张巍，薛向阳，孙子晨，郭跃飞，
申请(专利权)人：复旦大学，
类型：发明
国别省市：31[中国|上海]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。