模式识别-第七章-特征提取与选择优秀PPT.ppt

《模式识别-第七章-特征提取与选择优秀PPT.ppt》由会员分享，可在线阅读，更多相关《模式识别-第七章-特征提取与选择优秀PPT.ppt（48页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第七章第七章 特征提取与选择特征提取与选择 7.1 7.1 概概 述述1 模式识别的三大核心问题模式识别的三大核心问题:第七章第七章 特征提取与选择特征提取与选择7.1概述概述特征数据采集特征数据采集分类识别分类识别特征提取与选择特征提取与选择 分类识别的正确率取决于对象的表示、训练学分类识别的正确率取决于对象的表示、训练学习和分类识别算法，我们在前面各章的介绍中具体习和分类识别算法，我们在前面各章的介绍中具体探讨了后两方面的内容。本章介绍的特征提取与选探讨了后两方面的内容。本章介绍的特征提取与选择问题则是对象表示的一个关键问题。择问题则是对象表示的一个关键问题。2 通常在得到实际对象的若干具

2、体特征之后，再由这些原始特征产生出对分类识别最有效、数目最少的特征，这就是特征提取与选择的任务。从本质上讲，我们的目的是使在最小维数特征空间中异类模式点相距较远（类间距离较大），而同类模式点相距较近（类内距离较小）。第七章第七章 特征提取与选择特征提取与选择7.1概述概述37.1概述概述特征提取与选择的两个基本途径特征提取与选择的两个基本途径主要方法有：分支定界法、用回来建模技术确定相关主要方法有：分支定界法、用回来建模技术确定相关特征等方法。特征等方法。（1 1）干脆选择法：当实际用于分类识别的特征数目）干脆选择法：当实际用于分类识别的特征数目d d 确定后，干脆从已获得的确定后，干脆从已获

3、得的n n 个原始特征中选出个原始特征中选出d d 个个特征特征 ，使可分性判据，使可分性判据J J 的值满足下式：的值满足下式：式中式中 是是n 个原始特征中的任意个原始特征中的任意d 个特征，个特征，上式表示直接寻找上式表示直接寻找n 维特征空间中的维特征空间中的d 维子空间。维子空间。4（2 2）变换法）变换法，在使判据，在使判据J J 取最大的目标下，对取最大的目标下，对n n 个个原始特征进行变换降维，即对原原始特征进行变换降维，即对原n n 维特征空间进维特征空间进行坐标变换，然后再取子空间。行坐标变换，然后再取子空间。7.1概述概述特征提取与选择的两个基本途径特征提取与选择的两个

4、基本途径主要方法有：主要方法有：基于可分性判据的特征选择基于可分性判据的特征选择、基于基于误判概率的特征选择误判概率的特征选择、离散离散K-LK-L变换法变换法(DKLT)(DKLT)、基基于决策界的特征选择于决策界的特征选择等方法。等方法。57.2 7.2 类别可分性判据类别可分性判据第七章第七章 特征提取与选择特征提取与选择67.2 类别可分性判据类别可分性判据 为确立特征提取和选择的准则：引入类别可分性为确立特征提取和选择的准则：引入类别可分性判据，来刻划特征对分类的贡献。为此希望所构造判据，来刻划特征对分类的贡献。为此希望所构造的可分性判据满足下列要求：的可分性判据满足下列要求：构造可

5、分性判据构造可分性判据(1)(1)与误判概率与误判概率(或误分概率的上界、下界或误分概率的上界、下界)有单调关系。有单调关系。(2)(2)当特征相互独立时，判据有可加性，即当特征相互独立时，判据有可加性，即 ：式中，式中，是对不同种类特征的测量值，是对不同种类特征的测量值，表示使用括号中特征时第表示使用括号中特征时第i 类与第类与第j类可分性判据函数。类可分性判据函数。77.2 类别可分性判据类别可分性判据构造可分性判据构造可分性判据(3)(3)判据具有判据具有“距离距离”的某些特性，即的某些特性，即 ：，当，当时；时；，当，当时；时；(4)(4)对特征数目是单调不减，即加入新的特征后，判对特

6、征数目是单调不减，即加入新的特征后，判据值不减。据值不减。87.2 类别可分性判据类别可分性判据构造可分性判据构造可分性判据值得留意的是：上述的构造可分性判据的要求，即值得留意的是：上述的构造可分性判据的要求，即“单调性单调性”、“叠加性叠加性”、“距离性距离性”、“单调不单调不减性减性”。在实际应用并不确定能同时具备，但并不。在实际应用并不确定能同时具备，但并不影响它在实际运用中的价值。影响它在实际运用中的价值。97.2 类别可分性判据类别可分性判据基于几何距离的可分性判据基于几何距离的可分性判据一般来讲，不同类的模式可以被区分是由于它们一般来讲，不同类的模式可以被区分是由于它们所属类别在特

7、征空间中的类域是不同的区域。所属类别在特征空间中的类域是不同的区域。明显，区域重叠的部分越小或完全没有重叠，类明显，区域重叠的部分越小或完全没有重叠，类别的可分性就越好。别的可分性就越好。因此可以用距离或离差测度（散度）来构造类别因此可以用距离或离差测度（散度）来构造类别的可分性判据。的可分性判据。10(一一)点与点的距离点与点的距离 (二二)点到点集的距离点到点集的距离用用均方欧氏距离均方欧氏距离表示表示基于几何距离的可分性判据基于几何距离的可分性判据11(三三)类内及总体的均值矢量类内及总体的均值矢量 各类模式的总体均值矢量各类模式的总体均值矢量 类的均值矢量：类的均值矢量：为相应类的先验

8、概率，为相应类的先验概率，当用统计量代替先验概当用统计量代替先验概率时，总体均值矢量可表示为：率时，总体均值矢量可表示为：基于几何距离的可分性判据基于几何距离的可分性判据12(四四)类内距离类内距离 类内均方欧氏距离类内均方欧氏距离 类内均方距离也可定义为：类内均方距离也可定义为：基于几何距离的可分性判据基于几何距离的可分性判据13(五五)类内离差矩阵类内离差矩阵 显然显然(六六)两类之间的距离两类之间的距离 基于几何距离的可分性判据基于几何距离的可分性判据14(七七)各类模式之间的总的均方距离各类模式之间的总的均方距离 当取欧氏距离时，总的均方距离为当取欧氏距离时，总的均方距离为基于几何距离

9、的可分性判据基于几何距离的可分性判据15(八八)多类状况下总的类内、类间及总体离差矩阵多类状况下总的类内、类间及总体离差矩阵 类内离差类内离差类间离差类间离差总体离差总体离差 易导出易导出基于几何距离的可分性判据基于几何距离的可分性判据16基于几何距离的可分性判据基于几何距离的可分性判据17基于几何距离的可分性判据基于几何距离的可分性判据在特征空间中，当类内模式较密聚，而不同类的在特征空间中，当类内模式较密聚，而不同类的模式相距较远时，从直觉上我们知道分类就较简模式相距较远时，从直觉上我们知道分类就较简洁，由各判据的构造可知，这种状况下所算得的洁，由各判据的构造可知，这种状况下所算得的判据值也

10、较大。由判据的构造我们还可以初步了判据值也较大。由判据的构造我们还可以初步了解运用这类判据的原则和方法。解运用这类判据的原则和方法。187.2 7.2 类别可分性判据类别可分性判据基于类的概率密度函数的可分性判据基于类的概率密度函数的可分性判据考虑两类问题。上图是一维的两类概率分布密度。考虑两类问题。上图是一维的两类概率分布密度。(a)(a)表示两类是完全可分的。表示两类是完全可分的。(b)(b)是完全不行分的。是完全不行分的。19可用两类概密函数的重叠程度来度量可分性，可用两类概密函数的重叠程度来度量可分性，构造基于类概密的可分性判据。此处的所谓重叠构造基于类概密的可分性判据。此处的所谓重叠

11、程度是指两个概密函数相像的程度。程度是指两个概密函数相像的程度。基于类的概率密度函数的可分性判据基于类的概率密度函数的可分性判据20基于类的概率密度函数的可分性判据基于类的概率密度函数的可分性判据(一一)BhattacharyyaBhattacharyya 判据判据(J JB B)受相关概念与应用的启发，我们可以构造受相关概念与应用的启发，我们可以构造B-判判据，它的计算式为据，它的计算式为 W W-=xdxpxpJBr rr rr r2121)()(ln 式中式中W W表示特征空间。在最小误判概率准则下，误判表示特征空间。在最小误判概率准则下，误判概率有概率有 BJPPeP-exp)()()

12、(21210 21基于类的概率密度函数的可分性判据基于类的概率密度函数的可分性判据（二）（二）Chernoff判据判据(JC)22(三三)散度散度J JD D(Divergence)(Divergence)i i类对类对 j j类的平均可分性信息为：类的平均可分性信息为：基于类的概率密度函数的可分性判据基于类的概率密度函数的可分性判据 j j 对对 i i 类的平均可分性信息为：类的平均可分性信息为：23基于类的概率密度函数的可分性判据基于类的概率密度函数的可分性判据对于对于 i i和和 j j两类总的平均可分性信息称为散度，其两类总的平均可分性信息称为散度，其定义为两类平均可分性信息之和，即

13、定义为两类平均可分性信息之和，即 (三三)散度散度JD(Divergence)24大盖小问题大盖小问题 在特征空间中，若有某两类间的在特征空间中，若有某两类间的JB、JC或或JD很大，很大，可使平均判据变大，这样就掩盖了某些类对的判据值可使平均判据变大，这样就掩盖了某些类对的判据值较小的状况存在，从而可能降低总的分类正确率，即较小的状况存在，从而可能降低总的分类正确率，即所谓的大盖小问题。为改善这种状况，可对每个类对所谓的大盖小问题。为改善这种状况，可对每个类对的判据接受变换的方法，使对小的判据较敏感。例如，的判据接受变换的方法，使对小的判据较敏感。例如，对对JD，可接受变换，可接受变换25这

14、样，当这样，当 i和和 j两类模式相距很远时，两类模式相距很远时，JD(i,j)变得很大，但变得很大，但 也只能接近于也只能接近于1。但对于散度。但对于散度JD(i,j)小的状况，小的状况，又变得较敏感。于是，总又变得较敏感。于是，总的平均的平均(变换变换)判据为判据为 基于类的概率密度函数的可分性判据基于类的概率密度函数的可分性判据26同样对于同样对于JB，单类与平均判据分别为：，单类与平均判据分别为：单类：单类：平均判据：平均判据：基于类的概率密度函数的可分性判据基于类的概率密度函数的可分性判据277.2.3 7.2.3 基于后验概率的可分性判据基于后验概率的可分性判据在信息论中，在信息论

15、中，熵熵(Entropy)(Entropy)表示不确定性表示不确定性，熵越，熵越大不确定性越大。可以借用熵的概念来描述各类的可大不确定性越大。可以借用熵的概念来描述各类的可分性。分性。对于对于c c类问题，给定各类的后验概率类问题，给定各类的后验概率 可以写成如下形式：可以写成如下形式：熵的定义：熵的定义：由洛必达法则知：当由洛必达法则知：当 时时287.2.3 7.2.3 基于后验概率的可分性判据基于后验概率的可分性判据例如：例如：显然这时能实现完全正确的分类识别显然这时能实现完全正确的分类识别 297.2.3 7.2.3 基于后验概率的可分性判据基于后验概率的可分性判据307.2.3 7.

16、2.3 基于后验概率的可分性判据基于后验概率的可分性判据熵的主要性质：熵的主要性质：(4)(4)其中其中说明当类别较少时，分类识别的不确定性变小。说明当类别较少时，分类识别的不确定性变小。从特征选择角度看，我们从特征选择角度看，我们应选择使熵最小的那些特应选择使熵最小的那些特征用于分类征用于分类即选用具有最小不确定性的特征进行分即选用具有最小不确定性的特征进行分类是有益的。类是有益的。31使熵最小的特征利于分类，取熵的期望：使熵最小的特征利于分类，取熵的期望：广义熵广义熵（具有熵的性质，利于计算）定义为定义为:式中0，1。不同的值可得不同的可分性度量。当当1时，由洛必达法则可得时，由洛必达法则

17、可得Shannon熵熵当当=2时，可得平方熵时，可得平方熵32使用使用 判据进行特征提取与选择时，我们的目标是使判据进行特征提取与选择时，我们的目标是使。同理，我们亦可用点熵在整个特征空间的概率平均同理，我们亦可用点熵在整个特征空间的概率平均作为可分性判据。作为可分性判据。7.2.3 7.2.3 基于后验概率的可分性判据基于后验概率的可分性判据33第七章第七章 特征提取与选择特征提取与选择7.5 7.5 离散离散K-LK-L变换及其在变换及其在 特征提取与选择中的应用特征提取与选择中的应用347.5.1 离散离散K-L变换（变换（DKLT）DKLT的性质：的性质：使变换后产生的新的重量正交或不

18、相关使变换后产生的新的重量正交或不相关;以部分新重量表示原矢量均方误差最小以部分新重量表示原矢量均方误差最小;使变换矢量更趋确定、能量更趋集中。使变换矢量更趋确定、能量更趋集中。有限离散有限离散K-LK-L变换（变换（DKLTDKLT）,又称霍特林又称霍特林(Hotelling)(Hotelling)变换或主重量分解变换或主重量分解,它是一种基于目标它是一种基于目标统计特性的最佳正交变换。统计特性的最佳正交变换。357.5.1 离散离散K-L变换（变换（DKLT）设设n维随机矢量维随机矢量r rLLxx xxn=(,)12T，其均，其均值矢量值矢量 r rr rxE x=，相关阵，相关阵 RE

19、 xxxr rr r r r=T，协方，协方差阵差阵 CE xx xxxr rr rr rr rr r=-()()T，r rx经正交变换后经正交变换后产生矢量产生矢量r rLLyy yyn=(,)12T，36设有标准正交变换矩阵设有标准正交变换矩阵T，（即，（即 TT=I）取前取前m项为项为 的估计值的估计值（称为（称为 的的K-LK-L展开式）展开式）其均方误差为其均方误差为37xtyiir rr r=在在TT=I的约束条件下的约束条件下,要使均方误差要使均方误差为此作准则函数为此作准则函数由由 可得可得即即38 i是是 的特征值，而的特征值，而 是相应的特征矢量。是相应的特征矢量。由由表明

20、表明:利用上式有利用上式有:7.5.1 离散离散K-L变换（变换（DKLT）在在上上述述的的估估计计式式中中，假假如如不不是是简简洁洁地地舍舍弃弃后后(n-m)项项，而而 是是 用用 预预 选选 的的 常常 数数 bi代代 替替 yi,i=m+1,n，此时的估计式为，此时的估计式为:397.5.1 离散离散K-L变换（变换（DKLT）的均方误差为的均方误差为:（1）最佳的）最佳的bi可通过可通过 求得求得 407.5.1 离散离散K-L变换（变换（DKLT）417.5.1 离散离散K-L变换（变换（DKLT）因为因为为非负定阵，故有为非负定阵，故有上述的探讨可归纳为上述的探讨可归纳为:当我们用

21、简洁的当我们用简洁的“截断截断”方式产生估计式时方式产生估计式时,使使均方误差最小的正交变换矩阵是随机矢量均方误差最小的正交变换矩阵是随机矢量x x的相关阵的相关阵RxRx的特征矢量矩阵的特征矢量矩阵;当估计式除了选用当估计式除了选用m m个重量个重量yi(i=1,2,m)yi(i=1,2,m)之外之外,还用余下的各还用余下的各yiyi的均值的均值bibi代替相应的重量时代替相应的重量时,使均方使均方误差最小的正交变换矩阵是误差最小的正交变换矩阵是x x的协方差阵。的协方差阵。这表明对于相同的这表明对于相同的m m，第一种估计，第一种估计式比其次种估计式的均方差大。式比其次种估计式的均方差大。

22、42DKLTDKLT的性质的性质(1)(1)变换后各特征重量正交或不相关变换后各特征重量正交或不相关 的自相关阵和协方差阵为的自相关阵和协方差阵为变换后的矢量的各重量是正交的变换后的矢量的各重量是正交的,或不相关的或不相关的(因为因为C=R-E(x)E(x)C=R-E(x)E(x)，当，当E(x)=0E(x)=0时，不相关即是时，不相关即是正交正交)；i=E(yi2),i=E(yi2),或或i=Eyi-E(yi)2(i=Eyi-E(yi)2(方差方差)43妈妈新开了个淘宝店，欢迎前来捧场妈妈新开了个淘宝店，欢迎前来捧场妈妈的淘宝点开了快半年了，主要卖的是毛绒玩具、坐垫、抱枕之类的，妈妈的淘宝点

23、开了快半年了，主要卖的是毛绒玩具、坐垫、抱枕之类的，但生意始终不是很好，感觉妈妈还是很专心的，花了不少功夫，但是就是没但生意始终不是很好，感觉妈妈还是很专心的，花了不少功夫，但是就是没有人气，所以我也来出自己的一份力，帮忙宣扬一下。有人气，所以我也来出自己的一份力，帮忙宣扬一下。并且妈妈总是去五亭龙挑最好的玩具整理、发货，质量确定有保证。并且妈妈总是去五亭龙挑最好的玩具整理、发货，质量确定有保证。另外我家就在扬州五亭龙玩具城旁边，货源丰富，质量牢靠，价格便宜。另外我家就在扬州五亭龙玩具城旁边，货源丰富，质量牢靠，价格便宜。欢迎大家来逛逛【扬州五亭龙玩具总动员】欢迎大家来逛逛【扬州五亭龙玩具总动员】99toy.taobao个人小广告：个人小广告：4445(2)(2)最佳靠近性最佳靠近性(3)(3)使能量向某些重量相对集中，增加随使能量向某些重量相对集中，增加随机矢量总体的确定性机矢量总体的确定性DKLTDKLT的性质的性质46例例:已知两类样本已知两类样本 试用试用K-LK-L变换做一维特征提取。变换做一维特征提取。解：解：（1 1）（3 3）求求R R的特征值、特征矢量的特征值、特征矢量（2 2）47（4）选选 1 1对应的对应的 作为变换矩阵作为变换矩阵得由由 得变换后的一维模式特征为得变换后的一维模式特征为48