基于特征向量集的改进距离判别方法

本文主要探讨了"基于特征向量集的距离判别"这一主题，针对传统的距离判别方法在处理复杂数据时的局限性，提出了创新的判别策略。这种方法的核心在于首先确定各个总体的特征向量集，这些向量集能够有效地代表各自总体的特性。判别过程通过计算每个样本到各个特征向量集的最短距离，依据邻近原则来判断样本的类别归属。 具体步骤包括以下几个方面： 1. 投影分析：首先，对l个总体（Gi, G2, ..., Gl）的样本数据进行处理，计算每个总体的投影值并排序，这有助于识别出各总体的主要特征方向。 2. 确定投影方向：采用"组间差大，组内差小"的原则，计算组间差异矩阵B和组内差异矩阵E，以选择最佳的投影方向，使各个总体之间的差异最大化，同时内部数据的差异最小化。 3. 最优分割：基于投影后的结果，使用最优分割法对总体进行分类，这一步骤有助于找到各总体在特征空间中的明确边界。 4. 特征向量集的确定：根据分类结果，确定每个总体特有的特征向量集，这些向量集将作为判别过程中的关键依据。 5. 样本分类：对于新的样本，计算其到各个特征向量集的距离，根据最近的向量集决定样本的归属类别。 通过这种方法，作者试图改进距离判别在处理混合数据集时的性能，提高分类的准确性和鲁棒性。为了验证新方法的有效性，文中还进行了多实例检验，并将其回代正确率与常用判别方法进行了对比，以此评估其在实际应用中的优越性。 本文的研究旨在通过引入特征向量集的概念，优化距离判别算法，使其在处理复杂数据集时更加有效，为数据分类和模式识别提供了一种新颖而实用的方法。