基于greedy GDA的训练数据减少和非线性特征提取方法

摘要：

针对大数据集情况下标准广义判别分析（GDA）方法进行非线性特征提取时计算复杂度较高的问题,提出了基于GGDA（greedy GDA）的训练数据减少和非线性特征提取方法.该方法用greedy核主成分分析方法的greedy技术对训练数据选取子集;然后用GDA方法对子集而不是全部训练数据训练特征提取模型;并用几种特征提取的数据进行分类对比实验.实验结果表明,GGDA和GDA方法的特征提取性能优于其他对比方法,GGDA方法不仅较好地保持了GDA方法的特征提取性能,而且减少了大数据集进行非线性特征提取的计算复杂度.

关键词：greedy广义判别分析、greedy核主成分分析、训练数据减少、非线性特征提取、核矩阵、分类

所属期刊栏目：26

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金40701146;国家863计划项目2007AA12Z227

在线出版日期：2012-04-21（万方平台首次上网日期，不代表论文的发表时间）

页码：1511-1514,1519