WIMMC：加权的增量式极大边界准则算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (20): 96-100.

WIMMC：加权的增量式极大边界准则算法

潘达^1,2，谌卫军²，刘英博^1,2

1.清华大学计算机科学与技术系，北京 100084
2.清华大学软件学院，北京 100084

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-07-11 发布日期:2007-07-11
通讯作者: 潘达

WIMMC：weighted incremental maximum margin criterion

PAN Da^1,2，CHEN Wei-jun²，LIU Ying-bo^1,2

1.Department of Computer Science and Technology，Tsinghua University，Beijing 100084，China
2.School of Software，Tsinghua University，Beijing 100084，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-07-11 Published:2007-07-11
Contact: PAN Da

摘要/Abstract

摘要： 一些经典降维算法并不是最优的降维策略，它们不再适用于流形式且大尺度的Web文本数据，因此提出了一种加权的增量式有监督的降维算法，称为加权的增量式极大边界准则（Weighted Incremental Maximum Margin Criterion，WIMMC）。WIMMC通过加权得到比传统算法更好的结果，而且可以增量地有监督地处理大尺度的Web文本数据。给出了算法的收敛性证明和一些实验，并从实验结果可以看出，通过WIMMC降维之后的分类效果比其他降维算法更有效。

关键词: 主成分分析, 线性判别分析, 极大边界准则, 加权

Abstract: Some traditional algorithms can no longer deal with the streaming text data，so this paper proposes a weighted incremental supervised algorithm，called Weighted Incremental Maximum Margin Criterion（WIMMC） to reduce the dimensionality.WIMMC can supervised incrementally handle large-scale text data and improve the performance of following classification procedure.The paper proves the convergence of the algorithm and gives experiments to show that WIMMC can more effectively improve following classification than other dimensionality reduction algorithms.

Key words: Principal Component Analysis（PCA）, Linear Discriminant Analysis（LDA）, Maximum Margin Criterion（MMC）, weighted

潘达^1,2，谌卫军²，刘英博^1,2. WIMMC：加权的增量式极大边界准则算法[J]. 计算机工程与应用, 2007, 43(20): 96-100.

PAN Da^1,2，CHEN Wei-jun²，LIU Ying-bo^1,2. WIMMC：weighted incremental maximum margin criterion[J]. Computer Engineering and Applications, 2007, 43(20): 96-100.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[3]	韩晓微，韩震，岳高峰，崔建江. 救灾无人机的优化A*航迹规划算法[J]. 计算机工程与应用, 2021, 57(6): 232-238.
[4]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[5]	张俊杰，张聪，赵涵捷. 重复利用状态值的竞争深度Q网络算法[J]. 计算机工程与应用, 2021, 57(4): 134-140.
[6]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[7]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[8]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[9]	甘昕艳，高翔. 基于犹豫模糊决策算法的云制造系统选择研究[J]. 计算机工程与应用, 2021, 57(2): 134-142.
[10]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[11]	夏英，张金凤. 融合社交关系和局部地理因素的兴趣点推荐[J]. 计算机工程与应用, 2021, 57(15): 133-139.
[12]	宋忠浩，谷雨，陈旭，聂圣东. 基于加权策略的高分辨率遥感图像目标检测[J]. 计算机工程与应用, 2021, 57(13): 199-206.
[13]	张东梅，买日旦·吾守尔，古兰拜尔·吐尔洪. 面向高维混合不平衡信贷数据的单类分类方法[J]. 计算机工程与应用, 2021, 57(10): 233-240.
[14]	但雨芳，陶剑文，徐浩特. 可能性聚类假设的半监督分类方法[J]. 计算机工程与应用, 2020, 56(9): 65-74.
[15]	徐乐，韦玉科. 基于三点定位与加权坐标的三角定位算法[J]. 计算机工程与应用, 2020, 56(9): 111-116.