2.765

2022影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于增量核主成分分析的数据流在线分类框架

吴枫 仲妍 吴泉源

吴枫, 仲妍, 吴泉源. 基于增量核主成分分析的数据流在线分类框架. 自动化学报, 2010, 36(4): 534-542. doi: 10.3724/SP.J.1004.2010.00534
引用本文: 吴枫, 仲妍, 吴泉源. 基于增量核主成分分析的数据流在线分类框架. 自动化学报, 2010, 36(4): 534-542. doi: 10.3724/SP.J.1004.2010.00534
WU Feng, ZHONG Yan, WU Quan-Yuan. Online Classification Framework for Data Stream Based on Incremental Kernel Principal Component Analysis. ACTA AUTOMATICA SINICA, 2010, 36(4): 534-542. doi: 10.3724/SP.J.1004.2010.00534
Citation: WU Feng, ZHONG Yan, WU Quan-Yuan. Online Classification Framework for Data Stream Based on Incremental Kernel Principal Component Analysis. ACTA AUTOMATICA SINICA, 2010, 36(4): 534-542. doi: 10.3724/SP.J.1004.2010.00534

基于增量核主成分分析的数据流在线分类框架

doi: 10.3724/SP.J.1004.2010.00534
详细信息
    通讯作者:

    吴枫

Online Classification Framework for Data Stream Based on Incremental Kernel Principal Component Analysis

More Information
    Corresponding author: WU Feng
  • 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.
  • 加载中
计量
  • 文章访问数:  1846
  • HTML全文浏览量:  34
  • PDF下载量:  1221
  • 被引次数: 0
出版历程
  • 收稿日期:  2008-12-26
  • 修回日期:  2009-10-22
  • 刊出日期:  2010-04-20

目录

    /

    返回文章
    返回