基于核熵成分分析的数据降维

相关主题

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｃｍｐｒｄｗｉｒｃａＣｍｐｎｎｎｌｓｓＣａｄＫｒｅＰＡ（ＰＡ）ＴｅｏｉｎｉｎｌａａｆｒｉｎｉｎｒｄｃｉｎａｅｌｓｉｅｙｏａｅｔＰｉｉｌｏｏｅｔａｙｉ（Ａ）ｎｅｎｌＣＫＣ．ｈｗｄｍｅｓａｄｔｔｍｅｓｕｔａｓｄｂｈｎｐＡＰｌｏａｅｄｏｅｏｒｃｉｆＳｐｏｔｅｔｒｃｉｅＳｕｐｒＶｃｏＭａｈｎ（ＶＭ）ｌｏｉｍｏａｅｔｅａｃｒｃ．ｐｒｎａｒｓｌｄｃｔｔａｈｇｌｓｆａｉｎａｃｒｃａｅｂａｅｔａｒｈｔｃｍｐｒｃｕａｙＥｘｅｉｔｌｅｕｔｉｉａｅｈｔｉｈｃａｉｃｔｃｕａｙｃｎｂｔｉｄａｇｔｏｈｍｅｓｎｓｉｏｏｎ
中图分类号：Ｎ１７Ｔ９１２・
基于核熵成分分析的数据降维
黄丽瑾，施俊 wk.baidu.com钟瑾
（上海大学通信与信息工程学院，上海２０７）００２
摘要：针对高维数据的维灾问题，采用核熵成分分析方法降维数据，并与主成分分析及核主成分分析方法进行对比。降维后的数据利用
Ｍａｈｎ（ＶＭ）ｃｉｅＳ
ＤＯＩ０３６／ｉｓ．００３２．１．．５：１．９９．ｎ１０ —４８０２００７ｊｓ２２
１概述
数据降维是解决维灾问题的有效手段Ｊ降维技术分为。。线性和非线性２大类。常见的线性降维方法包括主成分分析（ｒｃａＣｍｐｎｎａｙｉＰＡ）Ｐｉｉｌｏｏｅｔｌｓ，Ｃ、多维缩放、因子分析、ｎｐＡｎｓ
给定 Ⅳ维样本Ｘｐ是概率密度函数，Ｒｎｉ，（）则ｅｙ熵为：
ＫｅｎｌｔｏｙＣｏｐｎｎａｙｉｒｅＥｎｒｐｍｏｅｔＡｎｌｓｓ
ＨＵＡＮＧＬ－ｎＳｕ，Ｈ０ｉｉ，ＨｌｎＺＮＧｉｊＪＪｎ
（ｃｏｌｆｍｍｕｉａｉｎａｄＩｆｒｔｎｎｉｅｒｇＳａｇａＵｉｅｓｙＳａｇａ２０７，ｈｎ）ＳｈｏｏＣｏｎｃｔｎｏｍａｏｇｎｅｉ，ｈｎｈｉｎｖｒｉ，ｈｎｈｉ００２ＣｉａｏｎｉＥｎｔ
投影追踪、线性判别分析、局部保留投影、独立分量分析等。常见的非线性降维方法包括自组织映射网络、核主成分
分析（ｅｎｌｒｃａＣｍｐｎｎａｓ，ＰＡ、ｌｍａ、ＫｒｅＰｉｉｌｏｏｅｔｌｉＫＣ）ｓｐｎｐＡｎｙｓｏ
支持向量机算法进行分类，以验证算法有效性。实验结果表明，ＫＣＥＡ在较低的维数时仍然能获得较好的分类精度，可以减少后续的处理复杂度和运行时间，适用于机器学习、模式识别等领域。关健词：降维；核熵成分分析；核主成分分析；支持向量机
ＤａａＤｉｅｉｎＲｅｕｃｉｎｓｄＯｔｍｎｓｏｄｔｏＢａｅｎ
［ｙｗｏｄＩｄｍｅｓｎｒｄｃｉｎＫｒｅｎｒｐｏｏｅｔｎｌｓｓＣ；ｒｅＰｉｃａＣｍｐｎｎａｙｉＫＣ；ｕｐｒＶｃｏＫｅｒｓｉｎｉｕｔ；ｅｎｌｔｙＣｍｐｎｎａｙｉ（Ａ）Ｋｅｎｌｒｉｌｏｏｅｔｌｓ（ＰＡ）ＳｐｏｔｅｔｒｏｅｏＥｏＡＫＥｎｐＡｎｓ
［ｓｒｃ］ＡｉｎｔｈｕｓｆｉｎｉｎｌｙｔｅｋｒｅｅｔｐｏｏｅｔｎｌｓｓＣＡｉｕｅｄｃｅｄｍｅｓｎｏａ，ｉＡｂｔａｔｍｉｇａｅｃｒｅｍｅｓｏａｔｈｅｌｎｒｙｃｍｐｎｎａｉＫＥ）ｓｓｄｔｒｕｅｈｉｎｉｆｔｗｈｃｉｔｏｄｉ，ｎｏａｙ（ｏｅｔｏｄａｈｓ
第３８卷第２期
Ｖ０．８１３
・
计
算
机
工
程
２１０２年１月
Ｊｎｒ２２ａｕａｙ０１
ＮＯ．２
ＣｏｐｕｅｇｉｅｉｇｍｔｒＥｎｎｅｒｎ
人工智能及识别技术・
文章编号：１ｏ３２（ｌ０ｌ５文献标识码：０．４８０２７— ３ｏ２）Ａ
ｌｗｍｅｓｏｕｅｔＣＡ，ｉｈｒｄｃｓｔｅｐｏｅｓｎｏｏｄｉｎｉｎｎｍｂｒｗｉＫＥｈｗｈｃｅｕｅｈｒｃｓｉｇｃｍｐｌｘｔｎｕｎｎｉ．ｔｓｇｓｓｔａｅｉｙａｄｒｎｉｇｔｍｅＩｕｇｅｔｈｔＫＥＣＡ— ａｅｉｎｉｎｒｄｃｉｎｂｓｄｄｍｅｓｏｅｕｔｏａｇｒｔｍａｅｆａｉｉｔｏｂｐｌｄｉｈｅｄｓｏｃｉｅｌａｎｎｐａｔｒｅｏｎｔｏ，ｔ．ｌｏｉｈｈｓｔｅｓｂｌｙｔｅａｐｉｔｅｆｌｆｍａｈｎｒｉｇ，ｔｎｒｃｇｉｉｎｅｃｈｉｅｎｉｅｅ