改进KPCA对分类数据的特征提取  

Improvement of KPCA on feature extraction of classification data

作　　者：万家强[1] 王越[1] 刘羽[1] 

机构地区：[1]重庆理工大学计算机科学与工程学院,重庆400050

出　　处：《计算机工程与设计》2010年第18期4085-4087,4092,共4页Computer Engineering and Design

基　　金：重庆市科技攻关基金项目(CSTC;2009AB2049)

摘　　要：提出了对核主成分分析(KPCA)在模式分类中的特征提取的改进方法。KPCA对于模式分类数据,并不是投影后的主成分就是最利于分类的成分,因此把数据降维到一个利于分类的空间,同时剔除不利于分类的成分,尽可能保留类别信息,对于各个成分贡献率以及映射空间进行度量,依据各成分对于模式分类的贡献选择最优成分,且根据Fisher准则选择利于分类的空间,即确定类别信息量较大的成分以及KPCA的核参数。For feature extraction in pattern classification using kernel principal component analysis （KPCA）, a improved approach is proposed. To the pattern classification data, the principal components maybe be not the most beneficial for pattern classification. Reducing data dimensionality and eliminating bad components, it retains the categories information as much as possible. According to Fisher criteria and the contribution rate of the various components, the right space and components are selected, that is, to determine the major components according to the classification information and the kernel parameters of KPCA.

关 键 词：核主成分分析 分类 特征提取 FISHER 核 

分 类 号：TP301.6[自动化与计算机技术—计算机系统结构]