一种基于流形学习的PCA-SLPP特征空间降维方法

针对复杂模式分类中特征空间维数过高问题,提出一种基于流形学习的PCA-SLPP降维方法.先对初始特征量集中样本数据进行主成分分析(PCA),使特征量在全局空间中相互独立;再采用改进的有监督局部保留投影(SLPP)法对主成分分析后的数据进行映射,使数据在特征空间中的局部流行结构得以保持的同时扩大样本数据的可区分性;最终依据累计贡献率与特征值的大小实现特征空间的降维.采用降维后的数据集训练支持向量机分类器,对具有复杂结构的煤岩惰质组显微组分进行分类.实验结果表明:PCA可以有效去除特征数据间的信息冗余,有助于分类正确率的提高;PCA的维数一定且总维数较高时,采用SLPP继续降维对分类正确率影响不大,但当总维数降到2及以下时,分类正确率迅速下降;在特征空间总维数降到初始维数的1/2及以下时,本文方法的分类正确率明显高于其他算法;本文方法在耗时上与SLPP相近.