一种新的GPCA方法.pdfVIP

维普资讯 第22卷第4期 甘肃联合大学学报 (自然科学版) VO1．22No．4 2008年 7月 JournalofGansuLianheUniversity(NaturalSciences) Ju1．2008 文章编号 ：1672-691X(2008J04-0016-04 一 种新 的GPCA 方法 纳艳萍，魏立力 (宁夏大学 数学计算机学院，宁夏 银川 750021) 摘 要 ：GeneralizedPCA(简写 GPCA)是主成分分析 (PCA)的一个非线性推广方法 ，主要用于数据压缩和特征 提取．在经典的GPCA方法 中，每个训练数据在构建主成分时的作用是相 同的．然而 ，在许多实际问题中，训练 数据 的意义和作用是不同的，通常有些数据 比其它数据更为重要 ，对于重要的数据我们应给予充分的重视，而 对于不可信数据(可能是异常数据)，应限制其作用．文中给每个训练数据赋予一个置信权重。将训练数据视为 样本空间的模糊点，研究了基于模糊点数据的GPCA方法．数值实验表明，该方法能够有效控制异常点对主成 分的影响，同时，该方法也为数据先验信息的利用提供 了一个可行的途径． 关键词：GPCA 模糊点数据；主成分分析 中图分类号：0212．4 文献标识码 ：A 系．如果给定这样的一些可能的非线性坐标系，则 U 引 函 需要从中选择一个坐标使得数据的方差达到最 GeneralizedPCA(简写 GPCA)l】]是 Gnan— 大 ，也可以再选择一个与第一个坐标不相关且使 adesikan于 1977年提出的主成分分析口。的一个 得数据的方差达到次大 的第二个坐标．这就是 非线性推广方法 ，主要用于数据压缩和特征提取． GPCA的基本思想． 主成分分析 的目标是寻找投影 向量 (f，使得随机 为了清楚解释 GPCA方法 ，下面举一个二次 变量 z的分量的线性组合ax具有最大方差．而 坐标系的例子． GPCA则是把随机变量z的分量扩展到z的分量 假设 z一 (z ，zz)是一个原始二维 随机 向 的函数 ，使得 z的分量的函数的线性组合具有最 量，目标是寻找一个二次函数 大方差．当分量的函数取线性函数时，GPCA就退 ：alxl+a2x2+ 口3x1x2+a4x +a5x；(1) 化为经典的主成分分析方法． 使得 的方差达到最大．如果令 z。=z，z。，z。： 在经典的GPCA方法 中，每个训练数据在构 z ，z5=z；，贝Ⅱ z+：==(zl，z2，z3，z4，z5) (2) 建主成分时的作用是相同的．然而，在许多实际问 是一个 5维随机 向量，再令 题中，训练数据的意义和作用是不同的，通常有些 a (口l，a2，a3，a4，a5) ， 数据比其它数据更为重要．对于重要的数据我们 则 应给予充分的重视，在构建主成分时应起更大的 ==：alxl+ a2x2+ a3z3+ a4x4+a5x5：==口z+． 作用，而对于不可信数据 (可能是异常数据)，应限 (3) 制其作用．我们实现这一 目标的策略是给每个训