高維小樣本數(shù)據(jù)的特征提取及分類器算法研究.pdf

1、本文研究了高維小樣本數(shù)據(jù)的特征提取及分類器算法。 首先，采用兩種方法生成虛擬訓(xùn)練樣本。一種方法是在特征子空間中采用一組標(biāo)準(zhǔn)正交向量來(lái)生成虛擬樣本，然后使用虛擬訓(xùn)練樣本對(duì)各類協(xié)方差矩陣進(jìn)行優(yōu)化。另一種是采用對(duì)訓(xùn)練樣本進(jìn)行擾動(dòng)來(lái)生成虛擬樣本，然后利用這些虛擬樣本使各類協(xié)方差矩陣非奇異。因此，可以直接使用二次判別分析。其次，是采用智能特征提取和分類器算法，以及雙空間算法。應(yīng)用機(jī)器學(xué)習(xí)理論設(shè)計(jì)特征提取及分類器算法，提出了具有學(xué)習(xí)功能的智

2、能特征提取及分類器算法。該算法可以自動(dòng)地向測(cè)試樣本進(jìn)行學(xué)習(xí)并不斷更新系統(tǒng)知識(shí)。另外，雙空間算法是將在一個(gè)子空間中難以識(shí)別的測(cè)試樣本再投影到另一個(gè)子空間中，進(jìn)行分類識(shí)別。最后，將兩個(gè)子空間的識(shí)別結(jié)果一起進(jìn)行正確率測(cè)試。提出了一種新穎的基于正交投影的分類器算法。該分類器的特點(diǎn)是不需要計(jì)算樣本的協(xié)方差矩陣的逆陣，且其識(shí)別率高于RDA及最近鄰分類器。 在特征值及特征向量的擾動(dòng)分析基礎(chǔ)上，指出了病態(tài)特征值所對(duì)應(yīng)的特征向量會(huì)受到較大擾動(dòng)。由