核主成分分析(Kernel principal component analysis,KPCA)是一种非线性降维工具,在降低数据流分类处理量方面发挥着积极作用.然而,由于复杂性太高,导致KPCA的降维能力有限.为此,本文给出了一种增量核主成分分析算法(Incremental KPCA f...核主成分分析(Kernel principal component analysis,KPCA)是一种非线性降维工具,在降低数据流分类处理量方面发挥着积极作用.然而,由于复杂性太高,导致KPCA的降维能力有限.为此,本文给出了一种增量核主成分分析算法(Incremental KPCA for dimensionality-reduction,IKDR),该算法在每步迭代估计中只需线性内存开销,大大降低了复杂性.在IKDR的基础上,结合BP(Back propagation)神经网络提出了数据流在线分类框架:IKOCFrame(Online classificationframe based on IKDR).通过一系列真实和人工数据集上的实验,检验了IKDR算法的收敛性,并且验证了IKOCFrame相对于同类基于成分分析的分类算法的优越性.展开更多
文摘核主成分分析(Kernel principal component analysis,KPCA)是一种非线性降维工具,在降低数据流分类处理量方面发挥着积极作用.然而,由于复杂性太高,导致KPCA的降维能力有限.为此,本文给出了一种增量核主成分分析算法(Incremental KPCA for dimensionality-reduction,IKDR),该算法在每步迭代估计中只需线性内存开销,大大降低了复杂性.在IKDR的基础上,结合BP(Back propagation)神经网络提出了数据流在线分类框架:IKOCFrame(Online classificationframe based on IKDR).通过一系列真实和人工数据集上的实验,检验了IKDR算法的收敛性,并且验证了IKOCFrame相对于同类基于成分分析的分类算法的优越性.
