基于主成分分析的特征提取的研究.pdf_第1頁
已閱讀1頁,還剩71頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、主成分分析(PCA)作為一種常用的數(shù)據(jù)特征提取方法,在模式識別、圖像處理、數(shù)據(jù)挖掘等領域都有廣泛的應用。本文對基于主成分分析方法的數(shù)據(jù)特征提取進行了研究,所做的工作如下:
  第一,基于主成分分析的方法在數(shù)據(jù)特征提取時,特征向量個數(shù)的選取問題一直是個難點。常用的方法是根據(jù)經(jīng)驗選取閾值,依據(jù)特征值的累計貢獻率選取特征向量。為了解決特征向量個數(shù)的選取問題及更有效的提取數(shù)據(jù)特征,本文在二維主成分分析算法的基礎上,提出了遞歸二維主成分分析

2、算法。該方法的主要特點是通過遞歸的方法逐步提高所提取的數(shù)據(jù)特征的信噪比,在公開的人臉數(shù)據(jù)庫上的實驗表明遞歸二維主成分分析方法的確可以獲得更有效的數(shù)據(jù)特征。
  第二,核主成分分析作為成熟的核方法之一,其能夠利用核技巧很好的提取數(shù)據(jù)的非線性特征。然而核函數(shù)參數(shù)的選取嚴重制約著 KPCA的特征提取效果。核函數(shù)參數(shù)的選取常用的方法有試湊法、留一法等。這些方法選取核參數(shù)比較費時,而且選定的核函數(shù)參數(shù)也并非一定可以滿足實際的需求。本文基于徑

3、向基核函數(shù),提出了核集成PCA方法。在標準的人臉數(shù)據(jù)庫上實驗驗證,核集成PCA算法確實能夠更有效的提取數(shù)據(jù)特征。
  第三,核矩陣的計算問題也是制約算法的主要因素之一。在樣本數(shù)量比較多的情況下,KPCA方法求核矩陣的特征值與特征向量的計算復雜度特別大。一般求核矩陣的特征值與特征向量是通過特征分解核矩陣的方法。使用Nystrm方法近似估計核矩陣的特征向量時,Nystrm方法抽取的樣本集嚴重制約著算法特征提取的有效性。為了克服Nyst

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論