高維數(shù)據(jù)特征提取方法研究與實(shí)現(xiàn).pdf

1、高維數(shù)據(jù)特征提取(Feature Extraction)是數(shù)據(jù)挖掘的一個(gè)重要數(shù)據(jù)預(yù)處理過(guò)程.由于當(dāng)前出現(xiàn)了越來(lái)越多的"高維"數(shù)據(jù),如多媒體數(shù)據(jù)、蛋白質(zhì)數(shù)據(jù)等,直接對(duì)這些數(shù)據(jù)進(jìn)行操作的計(jì)算量非常大,不僅要耗費(fèi)大量的時(shí)間,而且其運(yùn)算量往往會(huì)超出機(jī)器的容許范圍.特征提取是從高維數(shù)據(jù)的原始特性中提取出較少的一些特征,用來(lái)表示這些數(shù)據(jù).這樣,就能夠大大降低對(duì)它們進(jìn)行諸如聚類(lèi)、可視化/最近鄰搜索等操作的計(jì)算復(fù)雜度.該文首先分析了當(dāng)前具有代表性的三種

2、特征提取算法——Fastmap算法、Bourgain算法及Cofe算法,并對(duì)它們各自的優(yōu)、缺點(diǎn)及計(jì)算復(fù)雜度等方面進(jìn)行了比較.其次,該文提出了一種基于數(shù)據(jù)類(lèi)別數(shù)及各類(lèi)代表元素等啟發(fā)式信息的高維數(shù)據(jù)特征提取算法.該算法克服了Bourgain算法不具有現(xiàn)實(shí)可行性及Cofe算法降維效果不佳的缺點(diǎn),對(duì)于M類(lèi)高維數(shù)據(jù)、可使數(shù)據(jù)的維數(shù)降至「logM」.該算法可直接適用于已知數(shù)據(jù)類(lèi)別數(shù)及各類(lèi)數(shù)據(jù)代表點(diǎn)的情況.再次,為了使該算法具有更廣泛的實(shí)用性,該文又