基于模糊的改进KPCA方法
在非线性主成分分析处理中，针对基于核函数的非线性降维技术KPCA对偏离度较大的样本点有很大敏感性以及RKF-PCA中由于参数选择不当引起不收敛等问题，基于模糊理论，引入隶属度函数和模糊参数C对各个样本点进行加权，提出一种改进的模糊KPCA（Improved Fuzzy Kernel Principal Component Analysis，IFKPCA）算法。对无干扰和有干扰数据集分别采用常规KPCA、RKF-PCA和IFKPCA进行主成分分析实验，并在不同分布函数下进行测试，结果表明IFKPCA弱化了干扰点对样本分布的影响，避免了因参数选择不当而引起的不收敛问题，解决了常规KPCA对样本点的敏感性问题，且权系数参数选择方便、鲁棒性强、收敛速度快。
非线性降维 核函数 模糊KPCA算法 鲁棒性 隶属度函数
沈徐辉 罗小平 杜鹏英
浙江大学电气工程学院浙江杭州310027 浙江大学城市学院智能系统重点实验室浙江杭州310015 浙江大学城市学院智能系统重点实验室浙江杭州310015
国内会议
北京
中文
2941-2944
2010-07-29（万方平台首次上网日期，不代表论文的发表时间）