基于改进PCA和LDA的特征提取方法-计算机科学与技术专业论文.docxVIP

IV IV I I 摘 要 摘 要 在机器学习和模式识别领域，主成分分析（Principal Component Analysis, PCA）和 线性判别分析（Linear Discriminant Analysis, LDA）及其相关的改进方法是常用的维数 约减方法，它们可以有效地降低数据集的维数，避免高维数据集带来的维数灾难问题。 然而，在实际应用中，两种方法均存在不足，如基于 L1 范数的核主成分分析（KPCA-L1） 在处理较大规模的数据集时，建模速度将会比较慢；传统的 LDA 使用基于 L2 范数的距 离度量，对噪声数据比较敏感。为了提高 KPCA-L1 的建模速度、增强 LDA 的抗噪声能 力，本文对 KPCA-L1 和 LDA 两种特征提取方法开展了研究。 1. 提出了基于样本选取和加权 KPCA-L1 的异常检测方法。所提方法首先从训练集中 选取具有代表性的样本子集，然后为样本子集中的样本赋予权重，用带有权重的样 本子集构造加权 KPCA-L1。与 KPCA-L1 相比，所提方法有效地减小了训练集的规 模，加快了特征提取模型的建模速度，改善了 KPCA-L1 算法的更新方法，并在一 定程度上加快了异常检测的速度。在人工数据集和标准数据集上的实验结果表明， 在保证异常检测准确率的同时，所提方法比 KPCA-L1 具有更快的处理速度。 2. 提出了基于 Lp 范数的线