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練樣本。一種方法是在特征子空間中采用一組標準正交向量來生成虛擬樣本，然后使用虛擬訓練樣本對各類協(xié)方差矩陣進行優(yōu)化。另一種是采用對訓練樣本進行擾動來生成虛擬樣本，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。應用機器學習理論設計特征提取及分類器算法，提出了具有學習功能的智

2、能特征提取及分類器算法。該算法可以自動地向測試樣本進行學習并不斷更新系統(tǒng)知識。另外，雙空間算法是將在一個子空間中難以識別的測試樣本再投影到另一個子空間中，進行分類識別。最后，將兩個子空間的識別結果一起進行正確率測試。提出了一種新穎的基于正交投影的分類器算法。該分類器的特點是不需要計算樣本的協(xié)方差矩陣的逆陣，且其識別率高于RDA及最近鄰分類器。 在特征值及特征向量的擾動分析基礎上，指出了病態(tài)特征值所對應的特征向量會受到較大擾動。由