买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖南师范大学

摘要：本发明属于数据降维技术领域，公开了一种基于数据降维方法的烟叶指标数据等级识别方法，包括以下步骤：步骤1：读取烟叶指标数据样本集，并将数据集标准化，得到维空间数据集；步骤2：对维空间数据集进行数据降维处理；步骤3：对降维后的数据利用最近邻分类器进行分类，若分类匹配正确，则返回1；若分类匹配错误，则返回0；本发明的基于数据降维方法的烟叶指标数据等级识别方法，为烟叶指标数据的等级识别提供了较大的帮助，使得烟叶指标数据的等级识别过程可快速进行。

主权项：1.一种基于数据降维方法的烟叶指标数据等级识别方法，其特征在于：包括以下步骤：步骤1：读取烟叶指标数据样本集，并将数据集标准化，得到D维空间数据集X＝{x1，x2，…，xN}；步骤2：对D维空间数据集X＝{x1，x2，…，xN}进行数据降维处理；步骤3：对降维后的数据利用最近邻分类器进行分类，若分类匹配正确，则返回1；若分类匹配错误，则返回0；所述步骤2中数据降维处理方法为利用全局和局部核边际判别分析算法对D维空间数据集X＝{x1，x2，…，xN}进行降维和聚类，包括以下步骤：步骤101：计算D维空间数据集X＝{x1，x2，…，xN}中每个样本点xi的kw个同类近邻点并计算每个样本点xi的kb个类间近邻点步骤102：计算D维空间数据集X＝{x1，x2，…，xN}中每个样本点xi的k个近邻点xi1，xi2，…，xik，根据xi的k个近邻点xi1，xi2，…，xik计算出每个样本点xi的N-k个非近邻点xi1，xi2，…，xiN-k；步骤103：根据D维空间数据集X＝{x1，x2，…，xN}中每个样本点xi的kw个同类近邻点构造类内相似矩阵Sw；根据每个样本点Sw的kb个类间近邻点构造类间相似矩阵Sb；步骤104：根据D维空间数据集X＝{x1，x2，…，xN}中每个样本点xi的k个近邻点xi1，xi2，…，xik构造出局部权重矩阵S；根据每个样本点xi的N-k个非近邻点xi1，xi2，…，xiN-k构造出全局权重矩阵SR；步骤105：根据类内相似矩阵Sw计算出对角矩阵Dw和拉普拉斯矩阵Lw；根据类间相似矩阵Sb计算出对角矩阵Db和拉普拉斯矩阵Lb；根据全局权重矩阵SR计算出对角矩阵DR和拉普拉斯矩阵LR；根据局部权重矩阵S计算出对角矩阵D和拉普拉斯矩阵L；步骤106：构造D维空间数据集X＝{x1，x2，…，xN}中的类内方差矩阵其中A为降维矩阵；步骤107：构造D维空间数据集X＝{x1，x2，…，xN}中的类间方差矩阵步骤108：构造D维空间数据集X＝{x1，x2，…，xN}中的全局正则项其中，A为降维矩阵，SR为全局权重矩阵；步骤109：构造数据集X＝{x1，x2，…，xN}的局部正则项其中，Sij为局部权重矩阵，其公式为：其中，Nxj为xj的N近邻；步骤110：根据类内方差矩阵类间方差矩阵全局正则项R1A、局部正则项R2A构造出目标函数其中ξ和θ为参数；步骤111：构造出核矩阵K，该矩阵的各元素为kij＝kxi，xj，kxi，xj为高斯核函数；步骤112：求解广义特征值分解问题[KLw+ξLKT]-1KLb+ξLRKTα＝λα，其中λ和α分别表示特征值和特征向量，并取最大的d个特征值的特征向量得到特征矩阵A，然后根据特征矩阵A，将每个样本映射到低维空间，得到D维空间数据集X＝{x1，x2，…，xN}对应的d维空间数据集Y＝{y1，y2，…，yN}，dD。

全文数据：

权利要求：

百度查询： 湖南师范大学 一种基于数据降维方法的烟叶指标数据等级识别方法