基于增量核主成分分析的数据流在线分类框架

• 作者: 仲妍 吴枫 吴泉源
• 来源期刊: 自动化学报
• 关键词: 降维技术 数据流分类 增量核主成分分析 独立成分分析
• 年，卷（期）: 2010,（4）
• 所属期刊栏目: 论文与报告
• 页码范围: 534-542
• 页数: 9页
• 语种: 中文
• DOI: 10.3724/SP.J.1004.2010.00534

摘要

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 classification frame 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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴泉源		85	1515	24.0	36.0
2	吴枫		5	33	3.0	5.0
3	仲妍		5	33	3.0	5.0