基于增量核主成分分析的数据流在线分类框架

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.

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

所属期刊栏目：36

分类号：TP3(计算技术、计算机技术)

资助基金：国家高技术研究发展计划863计划2006AA01Z451;2007AA01Z474

在线出版日期：2010-07-14（万方平台首次上网日期，不代表论文的发表时间）

页码：534-542