【技术实现步骤摘要】
本专利技术涉及特征提取的方法，具体涉及。
技术介绍
在模式识别、信息融合、文本分类、计算视觉和数据挖掘等应用领域，常常会碰到许多高维数据，处理高维数据需要很长的时间和非常大的存储空间，因此，在进行诸如分类、聚类任务前，需要对高维数据进行降维预处理，常见的两种降维方法是特征选择和特征提取。目前，己出现了多种特征选择方法，如主成分分析、线性鉴别分析等，主成分分析是一种无监督的降维方法，其目的是找出一组正交基，并在该组正交基空间下捕获数据的全局信息；线性鉴别分析是一种监督的降维方法，其目的通过最大类问散布矩阵和最小类内散布矩阵获得数据的一个变换子空间。另外，基于流行学习方法，提出了 IS0MAP、拉普拉斯特征映射、局部线性嵌入和局部保持投影等降维方法，ISOMAP和拉普拉斯特征映射属于非线性算法，而局部线性嵌入和局部保持投影是属于线性算法。一般来说，基于流行学习的降维方法的核心思想是通过局部不变性来检测数据潜在的流行结构以便获得数据的低维表示，另外，这种局部不变性通常使用一个近邻图来保证，但什么样的近邻图是合适的、多大才算是局部成为了难题，具体来说，如何选择合适的近邻大小来构建近邻图以便匹配流行的局部几何结构成为有效降维的关键。
技术实现思路
本专利技术的目的是解决邻域大小自动选择的问题，并集成到局部保持投影算法中，使局部保持投影算法能够自动根据数据集的分布构建近邻图，实现有效降维。为实现上述目的，本专利技术提出了，包含如下步骤A)计算每个样本点Xi的最近邻点Zi或最近邻域ε i ；B)找出每个样本点Xi的最近邻点N(Xi)；C)计算近邻图的权矩阵w ；D)计算对...
【技术保护点】
一种邻域自适应的局部保持投影方法，其特征在于：包含如下步骤：A)计算每个样本点xi的最近邻点zi或最近邻域εi；B)找出每个样本点xi的最近邻点N(xi)；C)计算近邻图的权矩阵W，采用0?1权计算近邻图的权矩阵W即：D)计算对角矩阵和拉普拉斯矩阵L＝D?W；E)计算特征问题XLXTv＝λXDXTv的特征值和特征向量，其中F)根据E)步骤中所得的特征值的大小，依次输出d个最小特征值对应的特征向量V＝[v1,Λ,vd]；G)根据F)步骤中所得的特征向量V对每个样本点进行降维，获得低维数据Y＝VTX，其中FDA00002530420000011.jpg,FDA00002530420000012.jpg,FDA00002530420000013.jpg,FDA00002530420000014.jpg
【技术特征摘要】
1.一种邻域自适应的局部保持投影方法，其特征在于包含如下步骤 A)计算每个样本点Xi的最近邻点Zi或最近邻域εi ； B)找出每个样本点Xi的最近邻点N(Xi)； C)计算近邻图的权矩阵W，采用0-1权计算近邻图的权矩阵W即2.如权利要求1所述的一种邻域自适应的局部保持投影方法，其特征在于所述A)步骤中所计算的是每个样本点Xi的最近邻点Zi，3.如权利要求2所述的一种邻域自适应的局部保持投影方法，其特征在于所述 ka(n)Μχ. )=所述MXi，Xj)是带宽为σ的核函数。 V. X,4.如权利要求2所述的一种邻域自适应的局...
【专利技术属性】
技术研发人员：蒋云良，胡文军，成新民，王娟，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：
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。