基于判别式扩散映射分析非线性特征提取.docVIP

基于判别式扩散映射分析非线性特征提取 　　摘要：针对高维数据难以被人们直观理解，且难以被机器学习和数据挖据算法有效地处理的问题，提出一种新的非线性降维方法――判别式扩散映射分析（DDMA）。该方法将判别核方案应用到扩散映射框架中，依据样本类别标签在类内窗宽和类间窗宽中判别选取高斯核窗宽，使核函数能够有效提取数据的关联特性，准确描述数据空间的结构特征。通过在人工合成Swissroll测试和青霉素发酵过程中的仿真应用，与主成分分析（PCA）、线性判别分析（LDA）、核主成分分析（KPCA）、拉普拉斯特征映射（LE）算法和扩散映射（DM）进行比较，实验结果表明DDMA方法在低维空间中代表高维数据的同时成功保留了数据的原始特性，且通过该方法在低维空间中产生的数据结构特性优于其他方法，在数据降维与特征提取性能上验证了该方案的有效性。 　　关键词：扩散映射；非线性降维；判别核方案；类别标签；核函数；流形学习 　　中图分类号： TP311 文献标志码：A 　　Abstract： Aiming at that highdimensional data is hard to be understood intuitively， and cannot be effectively processed by traditional machine learning and data mining techniques， a new method for nonlinear dimensionality reduction called Discriminant Diffusion Maps Analysis （DDMA） was proposed. It was implemented by applying a discriminant kernel scheme to the framework of the diffusion maps. The Gaussian kernel window width was selected from the withinclass width and the betweenclass width according to discriminating sample category labels， it made kernel function effectively extract data correlation features and exactly describe the structure characteristics of data space. The DDMA was used in artificial Swissroll test and penicillin fermentation process， with comparisons with Principle Component Analysis （PCA）， Linear Discriminant Analysis （LDA）， Kernel Principle Components Analysis （KPCA）， Laplacian Eigenmaps （LE） and Diffusion Maps （DM）. The results show that DDMA represents the highdimensional data in a lowdimensional space while successfully retaining original characteristics of the data； in addition， the data structure features in lowdimensional space generated by DDMA are superior to those generated by the comparison methods， the performance of data dimension reduction and feature extraction verifies effectiveness of the proposed scheme. 　　Key words： Diffusion Maps （DM）； nonlinear dimensionality reduction； discriminant kernel scheme； category label； kernel function； manifold learning 　　0 引言 　　状态检修技术对工业许多方面的应用影响很大。一个常规的检修过程包括三个阶