[发明专利]一种基于t-SNE算法的数据降维方法及装置

权利要求书

1.一种基于t-SNE算法的数据降维方法，其特征在于，包括以下步骤：

计算任意两个高维数据x_i、x_j间的欧氏距离d(x_i,x_j)；

将所有d(x_i,x_j)按照从小到大的顺序排列后分组，并分别为每个组别设置一个从小到大的加权系数；

对所述欧氏距离进行加权，利用加权后的欧氏距离计算高维空间数据x_i、x_j的联合分布p_ij，得到低维空间数据y_i、y_j的联合分布q_ij；

基于KL散度构建目标函数，利用梯度下降法求解低维空间数据y_i、y_j的最优解。

2.根据权利要求1所述的基于t-SNE算法的数据降维方法，其特征在于，所述两个高维数据x_i、x_j间的欧氏距离为：

式中，x_in、x_jn分别x_i、x_j的第n维分量，n＝1,2,…,N，N为高给数据的维度。

3.根据权利要求2所述的基于t-SNE算法的数据降维方法，其特征在于，x_i、x_j的联合分布p_ij为：

式中，p_j︱i、p_i︱j为x_i、x_j的相似性条件概率；a_k为第k组欧氏距离d_k(x_i,x_j)的加权系数，0a₁a₂…a_K，K为分组的数量。

4.根据权利要求3所述的基于t-SNE算法的数据降维方法，其特征在于，y_i、y_j的联合分布q_ij为：

式中，d(y_i,y_j)为y_i、y_j的欧氏距离。

5.根据权利要求4所述的基于t-SNE算法的数据降维方法，其特征在于，所述目标函数C为：

式中，KL为K-L散度。

6.根据权利要求5所述的基于t-SNE算法的数据降维方法，其特征在于，所述方法在计算d(x_i,x_j)之后还包括按下式对d(x_i,x_j)进行归一化的步骤：

式中，为d(x_i,x_j)的归一化值，d_min、d_max分别为d(x_i,x_j)的最小值和最大值。