【摘要】：通過分析同類數(shù)據(jù)點(diǎn)在空間中的幾何形態(tài),從數(shù)據(jù)點(diǎn)集所構(gòu)成幾何形態(tài)的凹凸性著手,提出邊界提取算法并對(duì)高維數(shù)據(jù)進(jìn)行分類。針對(duì)現(xiàn)實(shí)生活中的高維數(shù)據(jù),利用局部線性嵌入將數(shù)據(jù)進(jìn)行降維處理,得到低維特征數(shù)據(jù)。在此基礎(chǔ)上,對(duì)于單分類數(shù)據(jù)集,用數(shù)據(jù)集表面的點(diǎn)的近鄰樣本與過該點(diǎn)的切平面之間的關(guān)系尋找邊界點(diǎn);對(duì)于多分類數(shù)據(jù)集,利用貝葉斯后驗(yàn)概率來尋找邊界重復(fù)的點(diǎn),以此更快達(dá)到提取邊界點(diǎn)的目的。由此可以粗略篩選出邊界點(diǎn)。為去除不重要的邊界點(diǎn),降低分類誤差,通過構(gòu)造最優(yōu)超平面和支持向量機(jī)對(duì)邊界點(diǎn)賦予權(quán)重,并設(shè)置閾值去除不重要的邊界點(diǎn),由此達(dá)到用較少的邊界點(diǎn)準(zhǔn)確分類數(shù)據(jù)的目的。通過100個(gè)測(cè)試樣本進(jìn)行分類測(cè)試并計(jì)算其分類準(zhǔn)確率,驗(yàn)證了此分類方法的可行性。
[Abstract]:By analyzing the geometric shape of the same data points in space, starting with the concave and convex nature of the geometric form formed by the data points set, a boundary extraction algorithm is proposed and the high-dimensional data are classified. For the high-dimensional data in real life, the low-dimensional feature data is obtained by using local linear embedding to reduce the dimension of the data. On this basis, for a single classification dataset, the relationship between the nearest neighbor sample of a point on the surface of the dataset and the tangent plane passing through the data set is used to find the boundary point, and for the multi-classification data set, the Bayesian posteriori probability is used to find the point of boundary repetition. In this way, the boundary point can be extracted more quickly. The boundary points can be roughly screened. In order to remove the unimportant boundary points and reduce the classification errors, the optimal hyperplane and support vector machine are constructed to give weight to the boundary points, and the threshold is set to remove the unimportant boundary points. Thus, the purpose of classifying data accurately with fewer boundary points is achieved. The feasibility of this classification method is verified by 100 test samples and its classification accuracy is calculated.
【作者單位】： 成都理工大學(xué)管理科學(xué)學(xué)院;
【基金】：四川省社科規(guī)劃項(xiàng)目(SC16TJ004)
【分類號(hào)】：TP18;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 文貴華;江麗君;文軍;;基于鄰域優(yōu)化的局部線性嵌入[J];系統(tǒng)仿真學(xué)報(bào);2007年13期

2 文貴華;陸庭輝;江麗君;文軍;;基于相對(duì)流形的局部線性嵌入[J];軟件學(xué)報(bào);2009年09期

3 徐春明;;基于核局部線性嵌入算法的圖像去噪方法[J];計(jì)算機(jī)工程;2009年20期

4 田兆東;張育林;;自適應(yīng)局部線性嵌入算法[J];電腦編程技巧與維護(hù);2010年06期

5 徐春明;;一種面向分類的核局部線性嵌入算法[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

6 惠康華;肖柏華;王春恒;;基于自適應(yīng)近鄰參數(shù)的局部線性嵌入[J];模式識(shí)別與人工智能;2010年06期

7 張長(zhǎng)帥;周大可;楊欣;;一種基于核的半監(jiān)督局部線性嵌入方法[J];計(jì)算機(jī)工程;2011年20期

8 沈杰;王正群;王明輝;劉解放;;一種用于人臉識(shí)別的監(jiān)督局部線性嵌入算法及其改進(jìn)[J];計(jì)算機(jī)應(yīng)用與軟件;2013年04期

9 文貴華;包麗;丁月華;;局部線性嵌入算法中參數(shù)的選取[J];計(jì)算機(jī)應(yīng)用研究;2007年02期

10 文貴華;江麗君;文軍;;鄰域參數(shù)動(dòng)態(tài)變化的局部線性嵌入[J];軟件學(xué)報(bào);2008年07期

相關(guān)會(huì)議論文 前1條

1 呂杰;任仙怡;張桂林;;基于局部線性嵌入和Fisher鑒別準(zhǔn)則的目標(biāo)識(shí)別方法[A];全國(guó)煉鋼連鑄過程自動(dòng)化技術(shù)交流會(huì)論文集[C];2006年

相關(guān)博士學(xué)位論文 前1條

1 閻慶;基于局部線性嵌入的降維算法研究及其在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用[D];安徽大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 孫曉丹;基于化學(xué)計(jì)量學(xué)方法和FT-IR光譜的橄欖油品質(zhì)分析[D];鄭州大學(xué);2015年

2 吳明華;局部線性嵌入算法的改進(jìn)與研究[D];南京郵電大學(xué);2016年

3 楊新星;局部線性嵌入降維及其在紅外及微光圖像識(shí)別中的應(yīng)用[D];南京理工大學(xué);2014年

4 王勇;局部線性嵌入算法的穩(wěn)健性改進(jìn)及有監(jiān)督擴(kuò)展[D];國(guó)防科學(xué)技術(shù)大學(xué);2007年

5 賀旖琳;基于局部線性嵌入的旋轉(zhuǎn)機(jī)械故障診斷研究[D];湖南科技大學(xué);2014年

6 黃移軍;基于局部線性嵌入的高維數(shù)據(jù)降維研究[D];中南大學(xué);2009年

7 周達(dá)麗;局部線性嵌入算法的研究及在人臉識(shí)別中的應(yīng)用[D];武漢理工大學(xué);2013年

8 劉偉;局部線性嵌入的領(lǐng)域選擇問題研究[D];華南理工大學(xué);2013年

9 李燕燕;基于局部線性嵌入的降維算法研究[D];遼寧師范大學(xué);2012年

10 李聰娥;局部線性嵌入在文本分類中的應(yīng)用[D];河北工業(yè)大學(xué);2007年

，

本文編號(hào)：2215764