[发明专利]基于贝叶斯非参数PCA的高维样本数据维度降低方法

摘要

本发明公开了一种基于贝叶斯非参数PCA的高维样本数据维度降低方法，包括如下步骤：1)数据集预处理阶段；2)降维维度设置阶段：设置合适的维度进行样本数据的降维工作；3)模型训练阶段：使用吉布斯采样方法对模型变量进行采样，并判断模型是否达到收敛条件；4)结果输出阶段：根据模型训练结束后的各个变量的采样结果，得到原始数据维度降低后的值，并输出该值。本发明将贝叶斯非参数方法与PCA方法结合，应用于高维样本数据的维度降低方面，该方法有着数据降维准确、降维后数据区分度高、以及能够自动选择合适的维度进行高维数据的降维等优点。

主权项

1.一种基于贝叶斯非参数PCA的高维样本数据维度降低方法，其特征在于，包括如下步骤：步骤1，数据集预处理：将原始高维样本数据按照统一格式处理，对统一处理好的高维样本数据进行去噪声，以及正则化操作；步骤2，降维维度设置：选择是否设置数据降维维度值；步骤3，模型训练：使用吉布斯采样方法模型中的变量进行采样，并判断模型是否达到收敛条件，方法如下：步骤3a1)初始化采样算法平台，利用机器学习方法，构建从条件概率分布中采样的程序，供BNPP模型使用；步骤3a2)随机初始化BNPP模型中的变量W、变量Z，变量θ、变量α以及变量τ，这些变量之间的关系满足：其中，样本集表示为X＝{x1,x2,…,xD}，D表示高维样本的个数，变量W表示P×Q维的投影矩阵，变量Z＝{z1,…,zD}表示原始样本集X降维后的结果值，变量α＝{α1,α2,…,αQ}，其中每个αi表示BNPP模型中的变量，将被用来进行维度选择工作，wi表示变量W的每个列向量，因此αi与wi一一对应，N(·)表示高斯分布，p(X|Z)表示样本集的联合概率分布，μ和τ表示每个样本xi服从均值Wzi+μ，方差为τ‑1I的高斯分布，在此，使用Θ表示全体变量，此步骤对全体变量Θ进行随机初始化；步骤3a3)选择合适的迭代次数T，并初始化：t＝0；步骤3a4)判断t是否小于T：是，转到步骤3a5)；否，转到步骤3a11)；步骤3a5)令M表示全体变量的个数，并初始化i＝0；步骤3a6)计算模型中第i个变量的条件概率；该步骤主要是，首先固定其余变量的值，然后计算第i个变量Θi的条件分布；对于变量W、变量Z，变量θ以及变量α，分别计算出它们对应的条件概率分布；步骤3a7)根据Θi的条件概率分布，对其采样一个样本，并替换；步骤3a8)令i＝i+1；步骤3a9)判断i是否小于M：是，转到步骤3a10)；否，转到步骤3a6)；步骤3a10)令t＝t+1，并转到步骤3a4)；步骤3a11)模型训练结束；步骤4，结果输出：根据模型训练结果，选择合适维度的降维数据输出。