正则化的单边二维线性判别分析

发布时间：2024-06-13 20:14

　　判别分析的理念是在样本类别信息已知的情况下,建立判别分析模型来判别新观察的所属类别。判别分析同时也是数据预处理环节中的降维手段之一,它是一种有监督的分类。通过提取出最有利于分类的特征,以此空间做分类,这即是判别分析的主要任务。另外,本文考虑把在向量基础上的特征提取视作一维方法,把在矩阵基础上的特征提取视作二维方法。一维方法例如线性判别分析(LDA),其方法的目的就是确认出如何让费舍尔准则函数取出极值,并以取到此极值的向量即为最佳的投影方向。这样会改变样本在此最佳投影方向上的投影,使其具有最大的类间散布的同时也具有最小的类内散布。二维方法例如二维线性判别分析(2DLDA),是LDA处理矩阵型数据上的拓展,2DLDA最突出的优点是无需考虑如何把高维矩阵型数据转变成向量,故可以达到降低计算量这一目的。同时,一部分通过引入正则化过程的判别分析算法也被提出与优化,其考虑带来的额外信息进行新的估计。然而,无论是已有的单边二维判别分析还是正则化判别分析,都分别存在着较高维度的类间和类内散布矩阵、特征维数较大等缺陷,为了进一步在特征提取上更加高效准确,故通过拓展正则化的判别分析到单边二维线性判别分析,...

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

图5.1每次抽样最小错误率

第五章实验33二、实验结果根据不同特征提取方法在不同数据集上的实验结果，绘制出相应的分类错误率结果。表5.2Wafer数据集基于三种方法的分类错误率结果和降维结果实验序号初始维数2DPCA2DLDAR2DLDA110460.1523（84）0.1325（125）0.0612（25....

图5.2每次抽样最小错误率

第五章实验34表5.3AUSLAN数据集基于三种方法的分类错误率结果和降维结果图5.2每次抽样最小错误率表5.3显示了在AUSLAN数据集上基于三种方法的分类错误率结果，图5.2直观呈现了在AUSLAN数据集上，R2DLDA的分类效果优于其他两种方法（2DPCA、2DLDA）。实....

图5.3每次抽样最小错误率

第五章实验35表5.4JapaneseVowels数据集基于三种方法的分类错误率结果和降维结果实验序号初始维数2DPCA2DLDAR2DLDA17120.1216（711）0.0892（56）0.0152（78），=0.8627120.1027（711）0.0595（712）0.....

图5.4每次抽样最小错误率

第五章实验36表5.5ECG数据集基于三种方法的分类错误率结果和降维结果实验序号初始维数2DPCA2DLDAR2DLDA13920.1909（261）0.1845（162）0.1524（321），=0.1423920.1455（62）0.1909（112）0.1046（312），....

本文编号：3993594