平穩(wěn)和非平穩(wěn)特征線性混合數據的分類.pdf

1、分類（Classification）是指根據數據集的特點構造一個分類模型，從而將未知類別的樣本映射到給定類別中。它廣泛應用于模式識別、統(tǒng)計學、數據庫和盲源分離等領域。從數據的平穩(wěn)性方面考慮，多維數據大致可分為三類：平穩(wěn)數據、非平穩(wěn)數據以及同時具有平穩(wěn)、非平穩(wěn)特征的混合數據，其中混合數據的混合方式包括線性混合和非線性混合。隨著盲源分離問題研究的不斷深入，混合數據的分離技術取得了一定的進展，學者們更為關注混合數據的分類問題。目前，國內外學者

2、對平穩(wěn)和非平穩(wěn)特征線性混合數據分類的研究較少。為此，本文對平穩(wěn)和非平穩(wěn)特征線性混合數據的分類技術展開了研究，主要工作為：
　　首先，針對平穩(wěn)和非平穩(wěn)特征線性混合數據，提出一種基于平穩(wěn)子空間分析（SSA）和相對熵（又名KL距離）的分類方法，簡稱SSA-KL方法。其主要思想為：利用SSA方法對訓練集和測試集進行降維，在降維后的空間里，采用基于相對熵的近鄰法對測試樣本分類。該方法在降維的同時提取了各類樣本數據的平穩(wěn)特征，在此基礎上對樣本

3、數據進行分類，使分類結果更加準確。
　　其次，針對二分類模型，以分類錯誤率作為衡量SSA-KL分類效果好壞的指標，并利用Matlab數值仿真探究在低維空間中影響SSA-KL分類效果的因素。仿真實驗的結果表明：（1）當不同類數據的混合矩陣相同且訓練樣本個數固定時，分類錯誤率會隨著類間數據平穩(wěn)信源分布距離的增加而降低（反之亦然）；平穩(wěn)信源對SSA-KL方法的影響程度大于非平穩(wěn)信源；當類間數據平穩(wěn)信源分布的距離較小時，非平穩(wěn)信源之間的差

4、異性有助于分類精度的提高；（2）當不同類數據的混合矩陣和非平穩(wěn)信源都相同且類間平穩(wěn)信源分布的距離固定時，SSA-KL方法利用較少的訓練樣本就能達到理想的分類效果。
　　最后，通過真實數據集對比SSA-KL方法與動態(tài)時間規(guī)整（DTW）、基于主成分分析和歐式距離（PCA-ED）的分類方法和基于獨立成分分析和支持向量機（ICA-SVM）的分類方法的性能。實驗結果表明：（1）SSA-KL方法在分類正確率和時間消耗方面均優(yōu)于DTW；（2）S