基于ICA与Bayes的判别分析模型*

简要介绍了Bayes判别分析模型的特点及存在的问题,概括了独立成分分析(ICA)的特点及发展现状,提出了基于ICA与Bayes的判别分析模型--IBD模型.该模型首先利用ICA的方法将相关性数据指标转换为互相独立的数据指标,并通过卡尔曼滤波方式滤去高频数据,有效地去除了噪声,最后利用Bayes方法对转换的数据进行判别分析.实验结果表明,当数据之间存在相关关系时,IBD模型的判别分析效果要优于Bayes与Fisher判别分析模型.     

基于ICA与聚类分析的支持向量机分类研究

在ICA与聚类分析的基础上提出了一种改进的支持向量机分类模型——ICSVM模型。ICSVM模型中利用一种指标筛选算法与独立成分分析的方法将各数据指标转化为互相独立成分的数据指标。接着运用K-means方法对独立成分样本数据集进行聚类分析,再由获得的各子类中心数据构造初始的超平面,筛选出靠近初始超平面的支持类与亚支持类,并展开支持类与亚支持类中的样本数据点重新构造超平面,以便对数据进行分类。实验表明,对于样本比较多的数据集,与标准的SVM算法相比,ICSVM算法能够节约训练时间,同时能够提高分类的正确率。     

基于ICA与ViSOM的不完整数据处理

本文介绍了数据挖掘中不完整数据的研究现状及ICA与ViSOM的特点，提出了基于ICA与ViSOM的不完整数据的处理模型IVIS-IDH，研究了数据之间存在相关关系且为非高斯分布时不完整数据的处理方法，对缺失数据值的估计方法及其估计的残差进行了详细的讨论和分析，并在ViSOM基础上取得了不完整数据集的可视化分析结果，从而克服了S.＆Wang提出的不完整数据处理方法的不足。     

数据挖掘中基于ICA的缺失数据值的估计

本文简单介绍了数据挖掘中缺失数据的研究现状及ICA的特点与发展前景,提出了基于ICA的缺失数据估计模型——ICA-MDH模型。该模型研究了数据之间存在相关关系且为非高斯分布时缺失数据的处理方法,该方法能充分利用已知数据记录中的已知信息,且具有较好的通用性。实验通过对一些不完整经济数据进行了处理。结果表明,本文提出的缺失数据估计方法的精度明显优于平均值法和PCAs法,从而验证了本文所提模型的正确性与合理性。     

一种改进的高维数据可视化模型

可视化诱导自组织映射（ViSOM）是一种人工神经网络模型，已经被成功应用于高维数据的可视化分析。但是，标准的ViSOM方法不仅没有考虑数据之间的相关性，而且当输出网络结点太多时，需要消耗大量运算开销；输出网络结点太少，又难以分析数据的可视化结果。为克服ViSOM的这两个弱点，本文首先在ViSOM的基础上提出了一个改进的映射算法MViSOM，接着在独立成分分析（ICA）与MViSOM的基础上提出了一个改进的高维数据可视化模型IMViSOM。论文最后通过实验说明了IMViSOM模型在对群聚数据的可视化分类效果及运算速度方面都优于ViSOM方法，从而验证了IMViSOM模型的正确性与合理性。     

基于ICA与SOM的不完整数据处理

介绍了数据挖掘中不完整数据的研究现状及ICA与SOM的特点,提出了基于ICA与SOM的不完整数据的处理模型IVS-IDH,研究了数据之间存在相关关系且为非高斯分布时不完整数据的处理方法,在SOM基础上取得了不完整数据集的可视化分析结果,从而克服了Wang S提出的不完整数据处理方法的不足。     

基于ICA与MViSOM的孤立点挖掘模型

本文提出了一种基于独立成分分析（ICA）与改进的可视化诱导自组织映射（MViSOM）的孤立点挖掘模型——IMVOM模型,该模型用ICA方法对观测到的多维随机向量进行独立成分分解,得到一个独立成分数据集,然后用改进的MViSOM方法取得数据的可视化。该模型充分结合“人类擅长于模式识别的能力”与“电脑擅长于大量地记忆、快速地计算的能力”的双方优点进行孤立点的挖掘,避免了对高维数据内部结构的复杂探测,从而克服了高维数据集孤立点挖掘过程中的一些困难。实验结果也验证了所提模型的合理性。     

基于ICA与SVM的孤立点挖掘模型

本文提出一种基于独立成分分析（ICA）与支持向量机（SVM）的孤立点挖掘模型ISOM模型，用ICA对观测到的多维随机向量进行独立成分分解，用SVM估计独立成分的密度函数，克服了传统孤立点挖掘方法的一些缺点，为数据挖掘提供了一种有效的方法，并通过实验验证了该模型的合理性与正确性。