1

我正在寻找一些关于我目前面临的问题的建议。

我有一组传感器，比如 S1-S100，它在执行某些事件 E1-E20 时触发。假设通常E1触发S1-S20，E2触发S15-S30，E3触发S20-s50等，E1-E20是完全独立的事件。有时，事件 E 可能会触发任何其他不相关的传感器。

我正在使用 20 svm 的集合来分别分析每个事件。我的功能是传感器频率 F1-F100、每个传感器被触发的次数以及其他一些相关功能。

我正在寻找一种可以降低传感器特征维度的技术（F1-F100）/或一些包含所有传感器并降低维度的技术（我最近几天一直在寻找一些信息论概念）。我不认为平均化、最大化是一个好主意，因为我冒着丢失信息的风险（它没有给我带来好的结果）。

有人可以建议我在这里缺少什么吗？一篇论文或一些开始的想法......

提前致谢。

4

2 回答 2

2

也许您可能想从线性判别分析开始，它是一个相当简单的算法，并且或多或少地完成了您正在寻找的事情：降维和/或分类。它假设每个类都是高斯分布，均值不同但协方差相同。事先绘制一些数据以确保这个假设是合理的，这可能是一个好主意。我以前在 R 中使用过 LDA 实现。但是，它具有大约十几个功能。我不确定它如何扩展到 100 维。

了解您为什么要减少数据的维度也可能会有所帮助。支持向量机通常与数十万（稀疏）特征一起使用，那么您有什么困难？

于 2010-12-29T09:47:29.313 回答
0

这是一篇与您的问题相关的精彩文章：http ://en.wikipedia.org/wiki/Nonlinear_dimensionality_reduction

此外，正如@StompChicken 所提到的，让 SVM 与数百个功能一起工作应该不会有任何问题。您应该开始在数以万计的功能中看到（操作）问题。

卡洛斯

于 2011-01-03T18:45:18.307 回答