主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
何萍,徐晓华,陈崚.监督式谱空间分类器.软件学报,2012,23(4):748-764
监督式谱空间分类器
Supervised Spectral Space Classifier
投稿时间:2010-03-15  修订日期:2010-08-13
DOI:10.3724/SP.J.1001.2012.04039
中文关键词:  分类  谱方法  维数约减  流形映射  监督式谱空间
英文关键词:classification  spectral method  dimension reduction  manifold mapping  supervised spectral space
基金项目:国家自然科学基金(61003180, 61070047, 61103018); 江苏省自然科学基金(BK2010318, BK2011442); 江苏省教育厅自然科学基金(09KJB200013)
作者单位E-mail
何萍 南京航空航天大学 计算机科学与技术学院, 江苏 南京 210016  
徐晓华 扬州大学 信息工程学院 计算机系, 江苏 扬州 225009  
陈崚 南京航空航天大学 计算机科学与技术学院, 江苏 南京 210016
扬州大学 信息工程学院 计算机系, 江苏 扬州 225009 
yzulchen@gmail.com 
摘要点击次数: 3065
全文下载次数: 3304
中文摘要:
      提出了一种非线性的监督式谱空间分类器(supervised spectral space classifier,简称S3C).S3C 首先将输入数据映射到融合了训练数据判别信息的低维监督式谱空间中,然后在该监督式谱空间中构造最大化间隔的最优分割超平面,并把测试数据以无监督的方式也映射到与训练数据相同的新特征空间中,最后,直接应用之前构建的分类超平面对映射后的测试数据进行分类.由于S3C 使研究者可以直观地观察到变化后的特征空间和映射后的数据,因此有利于对算法的评价和参数的选择.在S3C 的基础上,进一步提出了一种监督式谱空间分类器的改进算法(supervised spectral space transformation,简称S3T).S3T 通过采用线性子空间变换和强迫一致的方法,将映射到监督式谱空间内的数据再变换到指定的类别指示空间中去,从而获得关于测试数据的类别指示矩阵,并在此基础上对其进行分类.S3T 不仅保留了S3C 算法的各项优点,而且还可以用于直接处理多分类问题,抗噪声能力更强,性能更加鲁棒.在人工数据集和真实数据集上的大量实验结果显示,S3C 和S3T 与其他多种著名分类器相比,具有更加优越的分类性能.
英文摘要:
      This paper proposes a nonlinear classification algorithm S3C (supervised spectral space classifier), short for supervised spectral space classifier. S3C integrates the discriminative information into the construction of the low-dimensional supervised spectral space. The input training data is mapped into the supervised spectral space, followed by the optimization of the partitioning hyperplane with maximum margin. The test data is also transformed into the same feature space via an intermediate “bridge” between the original feature space and the target feature space. The classification result of S3C is obtained by applying the optimal partitioning hyperplane to the transformed test data, directly. S3C enables researchers to examine the transformed data in the supervised spectral space, which is beneficial to both algorithm evaluation and parameter selection. Moreover, the study presents a supervised spectral space transformation algorithm (S3T) on the basis of S3C. S3T (supervised spectral space transformation) estimates the class indicating matrix by projecting the data from the supervised spectral space to the class indicating space. S3T can directly deal with multi-class classification problems, and it is more robust on the data sets containing noise. Experimental results on both synthetic and real-world data sets demonstrate the superiority of S3C and S3T algorithms compared with other state-of-the-art classification algorithms.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利