-
公开(公告)号：CN105678261B
公开(公告)日：2019-03-26
申请号：CN201610008366.2
申请日：2016-01-07
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种直推式局部保持投影数据降维方法，主要解决现有基于半监督学习的数据降维方法仅利用欧氏距离进行构图，识别结果不理想的问题。其实现步骤是：(1)输入数据并归一化；(2)计算归一化后的原始矩阵及类标向量；(3)由原始数据计算第一拉普拉斯矩阵L；(4)由类标向量计算第二拉普拉斯矩阵Ll；(5)由第一拉普拉斯矩阵L和第二拉普拉斯矩阵Ll计算相似度矩阵S；(6)由类标向量计算样本的类间权重矩阵Wc；(7)由相似度矩阵S和类间权重矩阵Wc构建广义特征值公式并求解，得到投影矩阵E；(8)由投影矩阵E计算出降维后的样本。本发明能有效地对数据进行特征提取与降维，提高了数据分类识别的准确率，可用于数据与图像处理。
-
公开(公告)号：CN104680179A
公开(公告)日：2015-06-03
申请号：CN201510102212.5
申请日：2015-03-09
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于邻域相似度的数据降维方法，主要解决现有方法仅用欧氏距离来衡量样本邻域结构从而导致数据结构不均衡时识别结果不理想的问题。其实现步骤是：(1)输入数据并归一化，随机初始化基矩阵和系数矩阵；(2)计算样本的对角协方差矩阵；(3)由对角协方差矩阵计算KL离散度；(4)由KL离散度计算邻域样本相似度；(5)计算样本的邻域类标分布矩阵；(6)由邻域类标分布矩阵计算邻域类标相似度；(7)由邻域样本相似度和邻域类标相似度计算邻域相似度；(8)根据邻域相似度应用于迭代准则，得到降维后的基矩阵和系数矩阵。本发明准确率高，能有效地对数据进行特征提取与降维，可用于数据与图像处理。
-
公开(公告)号：CN105678261A
公开(公告)日：2016-06-15
申请号：CN201610008366.2
申请日：2016-01-07
Applicant: 西安电子科技大学
CPC classification number: G06K9/00288 , G06K9/6274
Abstract: 本发明公开了一种直推式局部保持投影数据降维方法，主要解决现有基于半监督学习的数据降维方法仅利用欧氏距离进行构图，识别结果不理想的问题。其实现步骤是：(1)输入数据并归一化；(2)计算归一化后的原始矩阵及类标向量；(3)由原始数据计算第一拉普拉斯矩阵L；(4)由类标向量计算第二拉普拉斯矩阵Ll；(5)由第一拉普拉斯矩阵L和第二拉普拉斯矩阵Ll计算相似度矩阵S；(6)由类标向量计算样本的类间权重矩阵Wc；(7)由相似度矩阵S和类间权重矩阵Wc构建广义特征值公式并求解，得到投影矩阵E；(8)由投影矩阵E计算出降维后的样本。本发明能有效地对数据进行特征提取与降维，提高了数据分类识别的准确率，可用于数据与图像处理。
-
公开(公告)号：CN104680179B
公开(公告)日：2018-06-26
申请号：CN201510102212.5
申请日：2015-03-09
Applicant: 西安电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于邻域相似度的数据降维方法，主要解决现有方法仅用欧氏距离来衡量样本邻域结构从而导致数据结构不均衡时识别结果不理想的问题。其实现步骤是：(1)输入数据并归一化，随机初始化基矩阵和系数矩阵；(2)计算样本的对角协方差矩阵；(3)由对角协方差矩阵计算KL离散度；(4)由KL离散度计算邻域样本相似度；(5)计算样本的邻域类标分布矩阵；(6)由邻域类标分布矩阵计算邻域类标相似度；(7)由邻域样本相似度和邻域类标相似度计算邻域相似度；(8)根据邻域相似度应用于迭代准则，得到降维后的基矩阵和系数矩阵。本发明准确率高，能有效地对数据进行特征提取与降维，可用于数据与图像处理。
-
-
-
Search Results
4
records
(took 0.026 seconds)
