PCA和相融性度量在聚类算法中的应用

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

PCA和相融性度量在聚类算法中的应用

姜斌, 潘景昌, 郭强, 衣振萍

文章导航 > 电子科技大学学报 > 2007 > 36(6): 1292-1295

姜斌, 潘景昌, 郭强, 衣振萍. PCA和相融性度量在聚类算法中的应用[J]. 电子科技大学学报, 2007, 36(6): 1292-1295.

引用本文:

姜斌, 潘景昌, 郭强, 衣振萍. PCA和相融性度量在聚类算法中的应用[J]. 电子科技大学学报, 2007, 36(6): 1292-1295.

JIANG Bin, PAN Jing-chang, GUO Qiang, YI Zhen-ping. Application of PCA and Coherence Measure in Clustering Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2007, 36(6): 1292-1295.

Citation:

JIANG Bin, PAN Jing-chang, GUO Qiang, YI Zhen-ping. Application of PCA and Coherence Measure in Clustering Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2007, 36(6): 1292-1295.

PCA和相融性度量在聚类算法中的应用

1.
山东大学威海分校信息工程学院山东威海 264209;
2.
上海大学计算机工程与科学学院上海闸北区 200436

基金项目:

国家重大工程LAMOST项目

作者简介:
姜斌(1977-),男,硕士,主要从事模式识别及其应用方面的研究.

中图分类号: TP391

Application of PCA and Coherence Measure in Clustering Algorithm

1.
School of Information Engineering,Shandong University at Weihai Weihai Shandong 264209;
2.
School of Computer Science,Shanghai University Zhabei Shanghai 200436

摘要: 提出一种基于主分量分析和相融性度量的快速聚类方法。通过构造主分量空间将高维数据投影到两个主成分上进行特征提取,每一个主分量都是原始变量的线性组合,主分量之间互为正交关系,在剔除冗余信息的同时,实现高维数据降维,得到二维坐标,以此作为聚类分析的输入;提出相融性度量的定义,用相融性度量描述一个样本与训练集相融合的程度,设计一种基于相融性度量的分类器。以该方法为基础设计的光谱自动分类系统可实现快速、准确地分类。
- 相融性度量 /
- 降维 /
- 高维数据 /
- 主分量分析
Abstract: An efficient and quick method based on 2-D Principal Component Analysis (PCA) and coherence measure is introduced. The coordinates are achieved by projecting the high dimensional data to the 2-D space after the principle component space is built and feature extraction is finished at one time. Every principle component is the linear combination of the original variables and is irrelevant to each other. A novel coherence measure is introduced and designed for effectively measuring the coherence of a new specimen of unknown type with the training samples. The spectrum can be classified quickly and exactly by the classifier.
- coherence measure /
- dimensionality reduction /
- high-dimensional data /
- principal component analysis

[1]	柯祉衡, 宋佳宝, 王一诺, 王浩文, 王淑梅, 马鸿洋. 基于交替量子随机行走的高维量子图像加密模型 . 电子科技大学学报, 2023, 52(6): 809-817. doi: 10.12178/1001-0548.2022303
[2]	史靖希, 程子扬, 何子述, 张伟, 陆晓莹. 降维STAP中稀疏恢复的角度多普勒通道选择方法 . 电子科技大学学报, 2022, 51(4): 506-513. doi: 10.12178/1001-0548.2021325
[3]	何兴高, 李蝉娟, 王瑞锦, 邓伏虎, 刘行. 基于信息熵的高维稀疏大数据降维算法研究 . 电子科技大学学报, 2018, 47(2): 235-241. doi: 10.3969/j.issn.1001-0548.2018.02.012
[4]	曾孝平, 周雨, 简鑫, 黄杰, 李静. 非稳态三维散射场景的时域自相关特性分析 . 电子科技大学学报, 2015, 44(6): 808-813. doi: 10.3969/j.issn.1001-0548.2015.06.002
[5]	夏慧, 刘国强, 郭亮, 黄欣, 陈晶. 二维磁声电图像重建及成像影响因素分析 . 电子科技大学学报, 2015, 44(1): 150-154. doi: 10.3969/j.issn.1001-0548.2015.01.026
[6]	周俊, 彭凯, 刘大刚. 基于高层数据模型库的三维粒子模拟程序研究 . 电子科技大学学报, 2014, 43(4): 530-536. doi: 10.3969/j.issn.1001-0548.2014.04.010
[7]	徐常伟, 朱峰, 刘丽娜, 牛大鹏. 二维介质散射的T矩阵方法与解析解的一致性分析 . 电子科技大学学报, 2013, 42(1): 41-43,86. doi: 10.3969/j.issn.1001-0548.2013.01.010
[8]	张和发, 李立萍. 含噪独立分量分析的期望最大化算法 . 电子科技大学学报, 2012, 41(4): 527-531. doi: 10.3969/j.issn.1001-0548.2012.04.009
[9]	侯孟书, 李玉军, 秦志光. 三维传感器网络中贪婪算法的可达性分析 . 电子科技大学学报, 2012, 41(3): 441-446. doi: 10.3969/j.issn.1001-0548.2012.03.023
[10]	和洁, 冯大政, 向聪, 吕晖. 机载MIMO雷达降维空时自适应处理算法 . 电子科技大学学报, 2012, 41(1): 31-35. doi: 10.3969/j.issn.1001-0548.2012.01.006
[11]	宋红军, 尚秀芹, 郑经波. 脉冲性噪声中二维波达方向估计算法 . 电子科技大学学报, 2011, 40(6): 844-848. doi: 10.3969/j.issn.1001-0548.2011.06.007
[12]	任笑真, 杨汝良. 机载前视SAR三维成像原理及分辨率分析 . 电子科技大学学报, 2010, 39(5): 706-710,724. doi: 10.3969/j.issn.1001-0548.2010.05.013
[13]	刘郁林, 王国鹏, 罗颖光. 部分W-分离正交语音信号的盲分离方法 . 电子科技大学学报, 2010, 39(2): 186-190. doi: 10.3969/j.issn.1001-0548.2010.02.007
[14]	张智林, 皮亦鸣, 孙志坚. 基于独立分量分析的降噪技术 . 电子科技大学学报, 2005, 34(3): 296-299.
[15]	陈怀新, 南建设, 肖先赐. 基于统计特征主分量的信号调制识别 . 电子科技大学学报, 2004, 33(3): 231-234,238.
[16]	田太心. Laplace方程的保角变换降维法 . 电子科技大学学报, 2001, 30(1): 87-90.
[17]	伍瑜. 论含约束项的降维卡诺图 . 电子科技大学学报, 2000, 29(3): 286-288.
[18]	杜平安. 内燃机活塞三维热分析 . 电子科技大学学报, 1999, 28(2): 141-143.
[19]	张旻, 李肇基. 高速IGBT的二维数值分析 . 电子科技大学学报, 1997, 26(2): 152-156.
[20]	赵延文, 聂在平. 短电位测井仪二维测量数据解释 . 电子科技大学学报, 1997, 26(3): 249-253.

WeChat

点击查看大图

计量

文章访问数: 3508
HTML全文浏览量: 145
PDF下载量: 81
被引次数: 0

PCA和相融性度量在聚类算法中的应用

1. 山东大学威海分校信息工程学院山东威海 264209;

2. 上海大学计算机工程与科学学院上海闸北区 200436

基金项目:

国家重大工程LAMOST项目

作者简介:
姜斌(1977-),男,硕士,主要从事模式识别及其应用方面的研究.

收稿日期: 2007-09-14
刊出日期: 2007-12-15

中图分类号: TP391

关键词:

摘要: 提出一种基于主分量分析和相融性度量的快速聚类方法。通过构造主分量空间将高维数据投影到两个主成分上进行特征提取,每一个主分量都是原始变量的线性组合,主分量之间互为正交关系,在剔除冗余信息的同时,实现高维数据降维,得到二维坐标,以此作为聚类分析的输入;提出相融性度量的定义,用相融性度量描述一个样本与训练集相融合的程度,设计一种基于相融性度量的分类器。以该方法为基础设计的光谱自动分类系统可实现快速、准确地分类。

English Abstract

姜斌, 潘景昌, 郭强, 衣振萍. PCA和相融性度量在聚类算法中的应用[J]. 电子科技大学学报, 2007, 36(6): 1292-1295.

引用本文:

姜斌, 潘景昌, 郭强, 衣振萍. PCA和相融性度量在聚类算法中的应用[J]. 电子科技大学学报, 2007, 36(6): 1292-1295.

JIANG Bin, PAN Jing-chang, GUO Qiang, YI Zhen-ping. Application of PCA and Coherence Measure in Clustering Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2007, 36(6): 1292-1295.

Citation:

JIANG Bin, PAN Jing-chang, GUO Qiang, YI Zhen-ping. Application of PCA and Coherence Measure in Clustering Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2007, 36(6): 1292-1295.

全文HTML

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发