[发明专利]一种多模式系统的特征降维方法

摘要

本发明涉及一种多模式系统的特征降维方法，包括：采集多模式系统不同工作模式F_n下的M组样本特征向量依次对样本特征向量进行标准化处理，得到标准化样本特征向量构建多模式样本的标准化特征矩阵利用局部线性嵌入算法对标准化特征矩阵进行非线性降维，选出同类模式中最相似的N‑1维特征；利用多维尺度变换算法对步骤(4)中的矩阵进行线性降维，选出不同类模式中差别最大的二维特征矩阵。本发明融合了非线性和线性流形学习算法的特征提取技术，通过对高维数据有效的特征降维，降低多模式系统模式识别的难度；能最大限度的保留高维数据的线性和非线性结构，保持高维数据的领域特性和距离相似性。

主权项

1.一种多模式系统的特征降维方法，该方法包括下列顺序的步骤：(1)采集多模式系统不同工作模式F_n下的M组样本特征向量n＝1,2,…,N，m＝1,2,…,M，为列向量，代表第n类模式的第m个样本特征向量，N代表系统的模式总数，且N＞3，D代表样本特征向量的原始维度，且满足D＞N‑1；(2)依次对样本特征向量进行标准化处理，得到标准化样本特征向量其计算方法为：其中||·||代表取向量的2‑范数；(3)构建多模式样本的标准化特征矩阵其中下标Z、D用于表示矩阵的维数大小，即标准化特征矩阵是Z行D列的矩阵，且Z＝N×M，M代表每种模式下样本的总数，N代表系统的模式总数，D代表样本特征向量的原始维度，上标T表示转置矩阵；(4)利用局部线性嵌入算法对标准化特征矩阵进行非线性降维，选出同类模式中最相似的N‑1维特征，N代表系统的模式总数，输出N‑1维多模式样本特征矩阵(5)利用多维尺度变换算法对步骤(4)中的矩阵进行线性降维，选出不同类模式中差别最大的二维特征矩阵则代表第n类模式的第m个样本的最终特征向量，其维度为2，n＝1,2,…,N，m＝1,2,…,M。