基于样本类可分性分析的特征选择研究

在传统类间散布矩阵理论的基础上,提出了类间的两两散布矩阵和类间重叠系数矩阵。传统的类间散布矩阵对于两类或多类的类别均值和全局均值之间距离值相近时难以区分,而且对于方差大而分类信息差的向量也无能为力。类间重叠系数矩阵可以剔除方差大而分类信息差的向量,两两类间散布矩阵则用于区分类别均值和全局均值之间距离值相近的向量。实验证明该方法生成的特征向量取得的分类效果较好。

基于多元数据图表示的可视化模式识别

现代统计模式识别以数据满足一定的统计分布规律(一般为正态分布)为前提。然而现实问题研究中存在大量不满足任何已知统计模型的情况,同时也有很多小样本情况,以上显然不适合统计方法。本文提出对非高斯信息进行基于多元数据多元图表示原理的可视化模式识别方法,并通过算法实现多元数据多元图分析过程的客观化和自动化,最后基于UCI数据对该方法进行了数据实验。

一种基于多元数据图表示的特征选择优化方法

提出了一种基于多元数据图表示的特征选择优化方法。在不增加计算复杂度的基础上,类间重叠系数矩阵可以剔除方差大而分类信息差的向量,两两类间散布矩阵则用于区分类别均值和全局均值之间距离值相近的向量。实验证明该方法生成的特征向量取得的分类效果较好。