判別分析的理念是在樣本類別信息已知的情況下,建立判別分析模型來判別新觀察的所屬類別。判別分析同時也是數(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。通過提取出最有利于分類的特征,以此空間做分類,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。一維方法例如線性判別分析(LDA),其方法的目的就是確認(rèn)出如何讓費舍爾準(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。這樣會改變樣本在此最佳投影方向上的投影,使其具有最大的類間散布的同時也具有最小的類內(nèi)散布。二維方法例如二維線性判別分析(2DLDA),是LDA處理矩陣型數(shù)據(jù)上的拓展,2DLDA最突出的優(yōu)點是無需考慮如何把高維矩陣型數(shù)據(jù)轉(zhuǎn)變成向量,故可以達到降低計算量這一目的。同時,一部分通過引入正則化過程的判別分析算法也被提出與優(yōu)化,其考慮帶來的額外信息進行新的估計。然而,無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間和類內(nèi)散布矩陣、特征維數(shù)較大等缺陷,為了進一步在特征提取上更加高效準(zhǔn)確,故通過拓展正則化的判別分析到單邊二維線性判別分析,...

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖5.1每次抽樣最小錯誤率

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

圖5.2每次抽樣最小錯誤率

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

圖5.3每次抽樣最小錯誤率

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

圖5.4每次抽樣最小錯誤率

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

本文編號：3993594