KPCA、KLPP及两者结合改进的特征提取特征降维算法
KPCA-KLPP代码实现
文章目录
- KPCA-KLPP代码实现
- 0.引言
- 1.原理
- 1.1 KPCA目标函数
- 1.2 KLPP目标函数
- 1.3 KPCA-KLPP原理
- 2.方案验证
- 3.结论
0.引言
传统基于核主成分分析 (Kernel principal component analysis, KPCA) 的数据降维方法在提取有效特征信息时只考虑全局结构保持而未考虑样本间的局部近邻结构保持问题, 本文提出一种改进全局结构保持算法的特征提取与降维方法,改进的特征提取与降维方法将流形学习中核局部结构保持 (Kernel locality preserving projection, KLPP) 的思想融入核主成 分分析的目标函数中, 使样本投影后的特征空间保持原始样本空间的整体结构, 还保持样本空间相似的局部近邻结构, 包含更丰富的特征信息。最后,采用UCI数据集进行降维可视化分析。
1.原理
1.1 KPCA目标函数
PCA的核心是通过投影矩阵A将高维数据降成低维数据,实现数据沿该坐标系的分布方差最大化,能够实现最大化保持数据的全局结构特性,其目标函数如下:
m a x t r ( A ′ K K A ) max tr(A'KKA) maxtr(A′KKA)
1.2 KLPP目标函数
m i n t r ( A ′ K L K A ) ; L = D − W ; s t . A ′ K D K A = I min tr(A'KLKA); L=D-W; st.A'KDKA=I mintr(A′KLKA);L=D−W;st.A′KDKA=I
1.3 KPCA-KLPP原理
m a x t r ( l A ′ K K A − ( 1 − l ) A ′ K L K A ) ; s t . A ′ K D K A = I ; 其 中 : l 是 用 于 平 衡 K P C A 与 K L P P 这 两 个 目 标 函 数 的 权 重 系 数 max tr(lA'KKA-(1-l)A'KLKA);st.A'KDKA=I; 其中:l是用于平衡KPCA与KLPP这两个目标函数的权重系数 maxtr(lA′KKA−(1−l)A′KLKA);st.A′KDKA=I;其中:l是用于平衡KPCA与KLPP这两个目标函数的权重系数
2.方案验证
clc;clear;close all
load wine;fea=double(wine);gnd=wine_labels;
options = [];
options.Metric = 'Euclidean';
options.NeighborMode = 'KNN';
options.k = 5;
options.bSelfConnected = 1;
options.delta=10000;
options.WeightMode = 'HeatKernel';
options.t = 1;
options.ReducedDim = 6;
options.PCARatio = 1;
[W,K] = constructW3(fea,gnd,options);
[eigvector, eigvalue,Y]=KPCAKLPP(fea,W,K,options);
%% figure
for i=1:max(gnd)n=find(gnd==i);plot(fea(n,1),fea(n,2),'*')hold ongrid on
end
mappedX1=Y;figure
for i=1:max(gnd)n=find(gnd==i);plot3(mappedX1(n,1),mappedX1(n,2),mappedX1(n,3),'*')hold ongrid on
end
legend('1','2','3')
图1 原始数据可视化
图2 本文方法
3.结论
从图上可以,本文方法聚类效果更好。
KPCA、KLPP及两者结合改进的特征提取特征降维算法相关推荐
- KPCA正交KLPP及两者结合改进的特征提取特征降维算法
正交KPCAKLPP代码实现 文章目录 正交KPCAKLPP代码实现 0.引言 1.原理 1.1 KPCA目标函数 1.2 KLPP目标函数 1.3 CVKPCAKLPP原理 2.方案验证 3.结论 ...
- PCA、LPP及两者正交改进的特征提取特征降维算法
正交PCALPP代码实现 文章目录 正交PCALPP代码实现 0.引言 1.原理 1.1 PCA目标函数 1.2 LPP目标函数 1.3 CVPCALPP原理 2.方案验证 3.结论 0.引言 传 ...
- PCA-LPP特征提取特征降维
PCA-LPP代码实现 文章目录 PCA-LPP代码实现 0.引言 1.原理 1.1 PCA目标函数 1.2 LPP目标函数 1.3 PCA-LPP原理 2.方案验证 3.结论 0.引言 提出集合 ...
- KPCA提取轴承振动信号的主成分特征
KPCA提取轴承振动信号的主成分特征 文章目录 KPCA提取轴承振动信号的主成分特征 前言 一.时域频域特征提取 二.提取KPCA第一主成分 总结 前言 采用核主成分分析方法融合轴承振动信号时域.频域 ...
- 对pca降维后的手写体数字图片数据分类_机器学习:数据的准备和探索——特征提取和降维...
在数据的预处理阶段,特征提取和数据降维是提升模型表示能力的一种重要手段. 特征提取主要是从数据中找到有用的特征,用于提升模型的表示能力,而数据降维主要是在不减少模型准确率的情况下减少数据的特征数量. ...
- 改进的有效边表算法_优硕微展 | 张和慧:基于邻域保持嵌入算法的间歇过程故障检测研究...
基于邻域保持嵌入算法的 间歇过程故障检测研究 The Research on batch process fault detection based on Neighborhood Preservin ...
- U-Det:一种改进的双向特征网络U-Net结构用于肺结节分割
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 肺癌的早期诊断和分析涉及在计算机断层扫描(CT)图像中进行精确而有效的肺结节分割. ...
- 【2020论文】U-Det:一种改进的双向特征网络U-Net结构用于肺结节分割
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 肺癌的早期诊断和分析涉及在计算机断层扫描(CT)图像中进行精确而有效的肺结节分割. ...
- 基于改进的RPCA人脸识别算法
from:http://www.chinaaet.com/article/3000011311 基于改进的RPCA人脸识别算法 作者:首照宇,杨晓帆,莫建文 2015/11/15 18:04:00 摘 ...
最新文章
- 终极大招——怎么在学术会议上有所收获?
- NAACL19笔记:自然语言处理应用的实用理解(多图解链接)
- python发邮件实例_python 发邮件实例
- 直接插入排序python实现
- 【01】《正则表达式必知必会》(已看)(仅存放)
- SQL 中的unicode字符
- Qt学习之路(4):初探信号槽
- Vue + Spring Boot 项目实战(六):使用 Element 辅助前端开发
- 学习下新塘M0芯片的下载方法
- 在使用node第三方模块dateformat中报错dateformat is not a function
- hibernate 教程 笔记
- 天使之音——Declan Galbraith
- 大数据数据挖掘与云计算-认识大数据
- android 截屏源码分析,android 截图功能源码解析
- Maya---之viewcube的寻找
- 计算机桌面上的声音图标没了怎么办,电脑声音图标不见了怎么办超详细教程
- android 12.0 wifi开关控制功能实现
- c语言百变图形,百变图标app官方版-百变图标更换图标app下载v1.0.0-西西软件下载...
- 【数理统计】双因素方差分析
- 白噪声的分析及其matlab实现
热门文章
- 《JavaScript 秘密花园》—一些奇奇怪怪的知识
- java分配内存之TLAB
- win10系统环境变量怎么设置_mysql环境变量配置win10
- ubuntu18.04如何新建文件
- matlab矩阵的点乘,CUDA矩阵点乘即Matlab中的(.*)运算优化问题
- 星巴克推出NFT收藏品,18分钟内售罄!
- ADS2017完全卸载
- 【系统分析师之路】2008年下系统分析师下午案例分析真题
- Java企业级开发框架(三):changelog——1.2.0-SNAPSHOT
- Android 之 矢量图应用