半监督模糊Fisher降维分析  

A Semi-supervised Fuzzy Dimension Reduction Method

作　　者：杨昔阳[1] 邓朝阳 李志伟[1] 

机构地区：[1]泉州师范学院大数据重点实验室,福建泉州362000 [2]泉州医学高等专科学校基础部,泉州福建362000

出　　处：《厦门大学学报（自然科学版）》2015年第6期869-875,共7页Journal of Xiamen University：Natural Science

基　　金：国家自然科学基金(11571101);福建省教育厅项目(JA12273;JK2013037;JA13395);泉州市科技局项目(2012Z103)

摘　　要：针对少量具有模糊隶属度类别的数据和大量未知类别的数据组成的数据集,提出了一种结合主成分分析(principle component analysis,PCA)和局部Fisher判别分析的半监督降维方法.这种半监督方法结合了PCA和局部Fisher判别的优点,一方面可保持所有数据的全局分布结构,另一方面又体现了已知类别属性的样本分类信息.所提出的模型可以通过求解特征值问题得到.实验表明,在获取较为准确的模糊隶属度的情况下,这种算法可以有效地对多维数据进行降维.This paper proposes a semi-supervised fuzzy dimension reduction method by combining principal component analysis （PCA） and local Fisher discriminant analysis （FDA） ,for a data set with a small number of data with fuzzy membership labels and a great amount of unlabeled data. This method takes advantages of PCA and local FDA by preserving the global structure of unlabeled samples, and separating labeled samples in different classes from each other. Our tests show the usefulness of this method in dimen- sion reduction, provided that the fuzzy membership labels are correctly given.

关 键 词：模糊隶属度 主成分分析 局部Fisher判别分析 广义特征值问题 

分 类 号：TP301[自动化与计算机技术—计算机系统结构] O212[自动化与计算机技术—计算机科学与技术]