發(fā)布時(shí)間：2024-06-13 20:14

　　判別分析的理念是在樣本類(lèi)別信息已知的情況下,建立判別分析模型來(lái)判別新觀(guān)察的所屬類(lèi)別。判別分析同時(shí)也是數(shù)據(jù)預(yù)處理環(huán)節(jié)中的降維手段之一,它是一種有監(jiān)督的分類(lèi)。通過(guò)提取出最有利于分類(lèi)的特征,以此空間做分類(lèi),這即是判別分析的主要任務(wù)。另外,本文考慮把在向量基礎(chǔ)上的特征提取視作一維方法,把在矩陣基礎(chǔ)上的特征提取視作二維方法。一維方法例如線(xiàn)性判別分析(LDA),其方法的目的就是確認(rèn)出如何讓費(fèi)舍爾準(zhǔn)則函數(shù)取出極值,并以取到此極值的向量即為最佳的投影方向。這樣會(huì)改變樣本在此最佳投影方向上的投影,使其具有最大的類(lèi)間散布的同時(shí)也具有最小的類(lèi)內(nèi)散布。二維方法例如二維線(xiàn)性判別分析(2DLDA),是LDA處理矩陣型數(shù)據(jù)上的拓展,2DLDA最突出的優(yōu)點(diǎn)是無(wú)需考慮如何把高維矩陣型數(shù)據(jù)轉(zhuǎn)變成向量,故可以達(dá)到降低計(jì)算量這一目的。同時(shí),一部分通過(guò)引入正則化過(guò)程的判別分析算法也被提出與優(yōu)化,其考慮帶來(lái)的額外信息進(jìn)行新的估計(jì)。然而,無(wú)論是已有的單邊二維判別分析還是正則化判別分析,都分別存在著較高維度的類(lèi)間和類(lèi)內(nèi)散布矩陣、特征維數(shù)較大等缺陷,為了進(jìn)一步在特征提取上更加高效準(zhǔn)確,故通過(guò)拓展正則化的判別分析到單邊二維線(xiàn)性判別分析,...

【文章頁(yè)數(shù)】：54 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖5.1每次抽樣最小錯(cuò)誤率

第五章實(shí)驗(yàn)33二、實(shí)驗(yàn)結(jié)果根據(jù)不同特征提取方法在不同數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果，繪制出相應(yīng)的分類(lèi)錯(cuò)誤率結(jié)果。表5.2Wafer數(shù)據(jù)集基于三種方法的分類(lèi)錯(cuò)誤率結(jié)果和降維結(jié)果實(shí)驗(yàn)序號(hào)初始維數(shù)2DPCA2DLDAR2DLDA110460.1523（84）0.1325（125）0.0612（25....

圖5.2每次抽樣最小錯(cuò)誤率

第五章實(shí)驗(yàn)34表5.3AUSLAN數(shù)據(jù)集基于三種方法的分類(lèi)錯(cuò)誤率結(jié)果和降維結(jié)果圖5.2每次抽樣最小錯(cuò)誤率表5.3顯示了在AUSLAN數(shù)據(jù)集上基于三種方法的分類(lèi)錯(cuò)誤率結(jié)果，圖5.2直觀(guān)呈現(xiàn)了在AUSLAN數(shù)據(jù)集上，R2DLDA的分類(lèi)效果優(yōu)于其他兩種方法（2DPCA、2DLDA）。實(shí)....

圖5.3每次抽樣最小錯(cuò)誤率

第五章實(shí)驗(yàn)35表5.4JapaneseVowels數(shù)據(jù)集基于三種方法的分類(lèi)錯(cuò)誤率結(jié)果和降維結(jié)果實(shí)驗(yàn)序號(hào)初始維數(shù)2DPCA2DLDAR2DLDA17120.1216（711）0.0892（56）0.0152（78），=0.8627120.1027（711）0.0595（712）0.....

圖5.4每次抽樣最小錯(cuò)誤率

第五章實(shí)驗(yàn)36表5.5ECG數(shù)據(jù)集基于三種方法的分類(lèi)錯(cuò)誤率結(jié)果和降維結(jié)果實(shí)驗(yàn)序號(hào)初始維數(shù)2DPCA2DLDAR2DLDA13920.1909（261）0.1845（162）0.1524（321），=0.1423920.1455（62）0.1909（112）0.1046（312），....

本文編號(hào)：3993594