高维数据的维数约简技术是当今计算机科学、机器学习等领域的热门研究问题之一,具有广泛的发展前景。本书在对已有维数约简方法进行分析和总结的基础上,从特征提取和特征选择两个方面提出五种新的维数约简方法,并以人脸图像和微阵列数据分析等问题为例,通过与目前较流行的维数约简方法对比,验证了所提出方法的性能。
样章试读
目录
- 目录
前言
第1章 绪论1
1.1研究背景及意义1
1.2研究现状2
第2章 维数约简技术简介5
2.1特征提取方法5
2.1.1线性特征提取方法5
2.1.2非线性特征提取方法10
2.2特征选择方法24
2.2.1基于排序的过滤式特征选择算法25
2.2.2基于空间搜索的过滤式特征选择算法28
2.3维数约简算法的应用30
2.3.1人脸识别简介30
2.3.2基于子空间的人脸识别31
第3章 基于低维坐标排列的流形学习34
3.1流形分解35
3.1.1构建最大线性贴片35
3.1.2最小集覆盖36
3.2局部低维坐标排列38
3.2.1局部主成分分析38
3.2.2坐标排列38
3.3实验结果40
3.4有监督扩展43
3.4.1最大间隔准则43
3.4.2有监督坐标排列算法43
3.5实验结果45
3.5.1ORL数据库45
3.5.2Yale数据库48
3.5.3CMU PIE数据库49
3.5.4结果分析51
3.6小结52
第4章 自适应加权的子模式局部保持投影53
4.1基于子模式的人脸识别54
4.2算法描述55
4.2.1人脸图像划分55
4.2.2子模式局部保持投影56
4.2.3分类59
4.3计算复杂度分析59
4.4实验结果60
4.4.1Yale数据库60
4.4.2Extended YaleB数据库63
4.4.3CMU PIE数据库65
4.5小结67
第5章 结构保持投影算法68
5.1算法描述69
5.1.1人脸图像划分69
5.1.2结构保持投影70
5.1.3分类73
5.2实验结果74
5.2.1Yale数据库74
5.2.2Extended YaleB数据库76
5.2.3CMU PIE数据库78
5.2.4结果分析80
5.3小结80
第6章 基于改进有效范围的特征选择方法81
6.1基于有效范围的特征选择方法分析81
6.2改进的算法83
6.3实验结果85
6.3.1实验数据库简介86
6.3.2C4.5分类器中的实验结果及对比分析86
6.3.3NN分类器中的实验结果及对比分析89
6.3.4SVM分类器中的实验结果及对比分析91
6.4小结94
第7章 最大权重最小冗余特征选择算法95
7.1问题分析95
7.2算法描述96
7.3计算效率分析101
7.4实验结果101
7.4.1算法精度102
7.4.2聚类103
7.4.3微阵列分类104
7.4.4人脸识别108
7.4.5文本分类110
7.4.6统计检验110
7.5小结111
第8章 总结112
参考文献114
彩图