高维数据的2D 图单点表示原理.PDFVIP

第 卷 第 期 燕山大学学报 32 5 Vol. 32 No. 5 年 月 2008 9 Journal of Yanshan University Sept . 2008 文章编号：1007-791X (2008) 05-0397-04 高维数据的2D 图单点表示原理 1 1 1 1 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 ） 1. 066004 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 2D 2D 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： 文献标识码： TP39 1 A 0 引言 点图、星座图、弹簧力表示等。因此，2D 多点表示 与2D 单点表示在2D 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。本文针对2D 单点表示的各种情况， 4 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。 1 2D 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2D 空间中的一个点，实际 据点集。由于人类视觉只能对低维 （1~3 维）的空 上是 2 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2D 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3 个变量，对于 4 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，2D 单点图表示可分为 1 2 、 为低维的空间表示，对于可视化模式识别和知识发 2 （= 2, 3 ）与 2 三种情况，即单点 现至关重要。3 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2 维 （2D） 表示。2 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