基于greedy GDA的训练数据减少和非线性特征提取方法
DOI:
CSTR:
作者:
作者单位:

1. 四川理工学院
2. 电子科技大学自动化工程学院地表空间信息技术研究所
3. 电子科技大学

作者简介:

刘小芳

通讯作者:

中图分类号:

基金项目:

国家863项目;国家自然科学基金项目


Greedy GDA method for training data reduction and nonlinear feature
extraction
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对大数据集情况下标准广义判别分析(GDA) 方法进行非线性特征提取时计算复杂度较高的问题, 提出了
    基于GGDA(greedy GDA) 的训练数据减少和非线性特征提取方法. 该方法用greedy 核主成分分析方法的greedy 技
    术对训练数据选取子集; 然后用GDA方法对子集而不是全部训练数据训练特征提取模型; 并用几种特征提取的数据
    进行分类对比实验. 实验结果表明, GGDA和GDA方法的特征提取性能优于其他对比方法, GGDA方法不仅较好地
    保持了GDA方法的特征提取性能, 而且减少了大数据集进行非线性特征提取的计算复杂度.

    Abstract:

    Nonlinear feature extraction using standard generalized discriminant analysis(GDA) has high computational
    complexity in large datasets. Therefore, a greedy GDA(GGDA) is proposed to reduce training data and deal with the nonlinear
    feature extraction problem. Firstly, a subset is selected from the full training data by using the greedy technique of the greedy
    KPCA(GKPCA) method. Then, the feature extraction model is trained by using the GDA method with the subset instead of
    the full training data. Finally, classification experiments using data of several feature extraction methods are performed. The
    simulation results show that the feature extraction performance of both the GGDA and the GDA methods outperform that of
    other methods. In addition of retaining the performance of the GDA method, the GGDA method reduces the computational
    complexity of the nonlinear feature extraction in large datasets.

    参考文献
    相似文献
    引证文献
引用本文

刘小芳 何彬彬 李小文.基于greedy GDA的训练数据减少和非线性特征提取方法[J].控制与决策,2011,26(10):1511-1514

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2010-06-02
  • 最后修改日期:2010-10-07
  • 录用日期:
  • 在线发布日期: 2011-10-20
  • 出版日期:
文章二维码