高维数据的2D 图单点表示原理 - 燕山大学学报.PDFVIP

卷 期 燕山大学学报 年 月 文章编号：1007-791X (2008) 05-0397-04 2D 高维数据的 图单点表示原理 张涛 ，洪文学 ，景 军 ，彭 勇 （ 燕山大学 电气工程工程学院，河北 秦皇岛 ） 摘 要：高维数据的单点 图表示是 图表示的重要分支。由于其可在单幅多元图中显示多个观察，因此适 用于模式识别领域中的特征选择与分类空间形成。本文根据多元图中单点映射的变量数目的不同对单点图表示 进行了对比，并分析了其各自的适用范围与优缺点。 关键词：单点图表示；高维数据；极坐标映射；散点图；星座图 中图分类号：TP391 文献标识码：A 引言 点图、星座图、弹簧力表示等。因此， 多点表示 与 单点表示在 图表示中具有不同的处理方 在多元统计理论中，若每一个观察对象都有 法与应用领域。本文 对 单点表示的各种情况， 个变量，用统计语言来说，这种数据就是 分析其在模式识别领域中的作用和各自优缺点。 “高维数据”，用几何语言来说，每个观察对象可以 看作是 维空间中的一个样本点，即高维空间点。 单点表示 个这样的点构成的一个样本，即空间的一个高维数 将高维数据映射为 空间中的一个点，实际 据点集。由于人类视觉只能对低维（ 维）的空 上是 的映射，其中 。在不做任何处理的 间进行观察，因此对高维空间点集的直观理解相当 情况下，目前的多元图表示方法中一幅 图最多 困难。这不利于模式识别领域的交互式操作和对数 仅能表示 个变量，对于 的情况可以利用多幅 据集中新知识的发现。因此，如何将高维数据映射 多元图表示。因此， 单点图表示可分为 、 为低维的空间表示，对于可视化模式识别和知识发 （ ）与 三种情况，即单点 现至关重要。 维空间对于人类视觉虽然可视，但 单变量表示、单点多变量表示和单点全变量表示。 局限于目前的显示技术，其直观性不如 维（ ） 表示。 维平面图像是直观形象的数据表示方法， 从统计观点看，以多维数据矩阵表示所要研究 它可以帮助研究者进行思维和判断。 世纪 年 的多维数据样本集合，其中样本为 共 来以来，统计学家致力于这方面的研究，发展了许 个，每个样本 对应的变量为 共 个， 多图表示的方法 。从数据与图的关系看，这些图 整个多维数据集合可以表示为矩阵 表示方法可以分为两类： 多点表示和 单点 表示。 单点表示是指将观察对象中的全部或部分 变量映射为 图中的一个点。该类表示方法可在 同一幅多元图中显示多个观察对象，从而发现观察 矩阵 中 的元 素 为 ，其 中， ， 对象之间的关系，适用于数据的特征选择、聚类与 。 单点图表示实际上基于矩阵 的 分类。在模式识别中，后期处理主要采用域匹配的