平穩(wěn)和非平穩(wěn)特征線性混合數(shù)據(jù)的分類.pdf

1、分類（Classification）是指根據(jù)數(shù)據(jù)集的特點(diǎn)構(gòu)造一個(gè)分類模型，從而將未知類別的樣本映射到給定類別中。它廣泛應(yīng)用于模式識別、統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫和盲源分離等領(lǐng)域。從數(shù)據(jù)的平穩(wěn)性方面考慮，多維數(shù)據(jù)大致可分為三類：平穩(wěn)數(shù)據(jù)、非平穩(wěn)數(shù)據(jù)以及同時(shí)具有平穩(wěn)、非平穩(wěn)特征的混合數(shù)據(jù)，其中混合數(shù)據(jù)的混合方式包括線性混合和非線性混合。隨著盲源分離問題研究的不斷深入，混合數(shù)據(jù)的分離技術(shù)取得了一定的進(jìn)展，學(xué)者們更為關(guān)注混合數(shù)據(jù)的分類問題。目前，國內(nèi)外學(xué)者

2、對平穩(wěn)和非平穩(wěn)特征線性混合數(shù)據(jù)分類的研究較少。為此，本文對平穩(wěn)和非平穩(wěn)特征線性混合數(shù)據(jù)的分類技術(shù)展開了研究，主要工作為：
　　首先，針對平穩(wěn)和非平穩(wěn)特征線性混合數(shù)據(jù)，提出一種基于平穩(wěn)子空間分析（SSA）和相對熵（又名KL距離）的分類方法，簡稱SSA-KL方法。其主要思想為：利用SSA方法對訓(xùn)練集和測試集進(jìn)行降維，在降維后的空間里，采用基于相對熵的近鄰法對測試樣本分類。該方法在降維的同時(shí)提取了各類樣本數(shù)據(jù)的平穩(wěn)特征，在此基礎(chǔ)上對樣本

3、數(shù)據(jù)進(jìn)行分類，使分類結(jié)果更加準(zhǔn)確。
　　其次，針對二分類模型，以分類錯(cuò)誤率作為衡量SSA-KL分類效果好壞的指標(biāo)，并利用Matlab數(shù)值仿真探究在低維空間中影響SSA-KL分類效果的因素。仿真實(shí)驗(yàn)的結(jié)果表明：（1）當(dāng)不同類數(shù)據(jù)的混合矩陣相同且訓(xùn)練樣本個(gè)數(shù)固定時(shí)，分類錯(cuò)誤率會隨著類間數(shù)據(jù)平穩(wěn)信源分布距離的增加而降低（反之亦然）；平穩(wěn)信源對SSA-KL方法的影響程度大于非平穩(wěn)信源；當(dāng)類間數(shù)據(jù)平穩(wěn)信源分布的距離較小時(shí)，非平穩(wěn)信源之間的差

4、異性有助于分類精度的提高；（2）當(dāng)不同類數(shù)據(jù)的混合矩陣和非平穩(wěn)信源都相同且類間平穩(wěn)信源分布的距離固定時(shí)，SSA-KL方法利用較少的訓(xùn)練樣本就能達(dá)到理想的分類效果。
　　最后，通過真實(shí)數(shù)據(jù)集對比SSA-KL方法與動態(tài)時(shí)間規(guī)整（DTW）、基于主成分分析和歐式距離（PCA-ED）的分類方法和基于獨(dú)立成分分析和支持向量機(jī)（ICA-SVM）的分類方法的性能。實(shí)驗(yàn)結(jié)果表明：（1）SSA-KL方法在分類正確率和時(shí)間消耗方面均優(yōu)于DTW；（2）S