基于主成分分析的特征提取的研究.pdf

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