智能識別中的降維新方法及其應用研究.pdf

1、在智能模式識別領域中，當待處理數(shù)據(jù)呈現(xiàn)高維特征時，往往首先使用有效的特征降維方法對數(shù)據(jù)進行所謂的降維預處理，以提高智能識別的有效性，因此近年來特征提取和特征選擇這兩類主要的特征降維方法得到了廣泛深入地研究，且被較為成功地運用到解決具體的模式識別問題中。然而，目前一些經(jīng)典的特征降維方法以及部分改進方法在處理具體的智能識別問題時在一定程度上表現(xiàn)出魯棒性不高、泛化能力不強的特點。所以本課題針對上述不足，通過結合其它智能處理技術研究新的特征降維

2、方法。所研究內(nèi)容主要涉及如下三個部分。
　　 第一部分由第二章和第三章組成，這一部分分別討論兩種新穎的特征選擇方法。具體來說，第二章主要針對勢支持向量機P-SVM存在的泛化能力不強的問題，通過引入Fisher判別分析方法中的類內(nèi)散度矩陣，重新構造P-SVM的目標函數(shù)，從而形成具有較強泛化能力的廣義的勢支撐特征選擇方法GPSFM。GPSFM方法不但在一定程度上繼承了P-SVM的優(yōu)點，而且還具有特征選擇冗余度低、選擇速度快和適應能力

3、強的特點，從而使得該方法表現(xiàn)出了較之于P-SVM更好的特征選擇和分類效果。第三章針對經(jīng)典的模糊聚類方法FCM存在的對噪音數(shù)據(jù)和噪音特征敏感的問題，采用對樣本點和樣本特征同時加權的方式，重新構造FCM方法的目標函數(shù)，從而得到具有特征排序功能的魯棒性模糊聚類方法FCA。FCA方法不但具有較為穩(wěn)定的聚類功能，同時可以通過特征權值和樣本權值來反映不同特征和不同樣本對聚類的貢獻程度，從而實現(xiàn)特征排序，達到特征選擇的目的。該章中我們還根據(jù)一定的幾何

4、含義去確定特征權值和樣本權值參數(shù)合理的取值范圍，并從理論上加以證明。
　　 第二部分由第四章和第五章組成，這一部分分別討論兩種新穎的特征提取方法。具體來說，第四章針對線性拉普拉斯判別準則LLD方法存在的小樣本以及如何確定原始樣本空間類型的問題，通過引入語境距離度量并結合最大間距判別準則的基本原理提出一種基于語境距離度量的拉普拉斯最大間距判別準則CLMMC。CLMMC方法不但在一定程度上避免小樣本問題，而且由于語境距離度量更關注輸

5、入樣本簇內(nèi)在的本質(zhì)結構而不是原始樣本空間的類型，從而降低了該準則對特定樣本空間的依賴程度。同時通過引入計算語境距離度量的新算法并結合QR分解的基本原理使得CLMMC在處理高維矢量模式數(shù)據(jù)時更具適應性和效率。本章還從理論上討論CLMMC準則具有的基本性質(zhì)以及與LLD準則的內(nèi)在聯(lián)系。第五章針對最大散度差判別準則的效果很大程度上依賴參數(shù)η選取，以及該準則的劃分屬于硬劃分，在一定程度上不能客觀地反映現(xiàn)實世界的問題，通過引入模糊技術，重新構造一種

6、新的模糊最大散度差判別準則，并根據(jù)這一新準則提出一種模糊聚類方法FMSDC。FMSDC方法通過迭代優(yōu)化過程中實現(xiàn)聚類的同時還可以得到最優(yōu)鑒別矢量，實現(xiàn)特征降維。并依據(jù)一定的原則合理地設定參數(shù)η，從而一定程度上降低了該參數(shù)對劃分結果穩(wěn)定性的影響。
　　 第三部分由第六章和第七章組成，這一部分主要研究和討論兩種基于類內(nèi)散度的支持向量機的方法。具體來說，第六章針對最小類內(nèi)散度支持向量機MCSVMs面臨的小樣本問題，通過引入張量理論，重

7、新構造MCSVMs支持向量機的目標函數(shù)，從而提出基于矩陣模式的最小類內(nèi)散度支持向量機MCSVMsmatrix以及相應的非線性核方法Ker-MCSVMsmatrix。MCSVMsmatrix方法不但克服了MCSVMs方法所面臨的小樣本問題，同時降低了算法本身具有的時間和空間復雜度。而且Ker-MCSVMsmatrix方法首次實現(xiàn)了矩陣模式的非線性化。第七章針對經(jīng)典SVM方法不能充分地反映樣本內(nèi)在幾何結構以及所蘊含的判別信息的問題，通過同時