基于正交投影的降维分类方法研究

滕少华; 卢东略; 霍颖翔; 张巍

doi:10.12052/gdutxb.170008

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于正交投影的降维分类方法研究

大数据基础理论与应用专题 | 更新时间：2026-05-27

- 基于正交投影的降维分类方法研究
- Classification Method Based on Dimension Reduction
- 广东工业大学学报 2017年34卷第3期页码：1-7
- 作者机构：
- 作者简介：
  
  滕少华(1962-),男,教授,博士,主要研究方向为协同计算、数据挖掘、网络安全、大数据.
  张巍(1964-),女,副教授,主要研究方向为协同计算、数据挖掘、网络安全、大数据.E-mail:weizhang@gdut.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目（61402118，61673123）;广东省科技计划项目（2015B090901016，2016B010108007）;广东省教育厅项目（粤教高函2015[133]号，粤教高函[2014]97号）;广州市科技计划项目（201604020145，2016201604030034，201508010067）
- DOI：10.12052/gdutxb.170008
  中图分类号： TP391
- 纸质出版：2017
- 稿件说明：
移动端阅览
滕少华, 卢东略, 霍颖翔, 张巍. 基于正交投影的降维分类方法研究[J]. 广东工业大学学报, 2017, 34(3): 1-7.

Teng Shao-hua, Lu Dong-lue, Huo Ying-xiang, et al. Classification Method Based on Dimension Reduction[J]. 2017, 34(3): 1-7.
滕少华, 卢东略, 霍颖翔, 张巍. 基于正交投影的降维分类方法研究[J]. 广东工业大学学报, 2017, 34(3): 1-7. DOI： 10.12052/gdutxb.170008.

Teng Shao-hua, Lu Dong-lue, Huo Ying-xiang, et al. Classification Method Based on Dimension Reduction[J]. 2017, 34(3): 1-7. DOI： 10.12052/gdutxb.170008.

摘要

大数据时代要求数据挖掘算法能高效处理海量数据，针对传统分类算法建模时间长、分类耗时久、算法难以理解等问题，提出一种基于正交投影的降维分类方法，通过投影方式将多维分类问题转化为多个二维投影面组合问题，建立投影面的密度模型进行分类.相比于常用的支持向量机（Support Vector Machine，SVM）、逻辑回归（Logistic Regression，LR）、k最近邻（K-Nearest Neighbor，KNN）等分类算法，基于正交投影降维的分类方法能够在不丢失分类准确度的同时，拥有较高的模型训练效率与分类效率.其算法易于实现，可用于实时性要求较高的应用场合，如入侵检测，交通调度等.

Abstract

Data mining algorithm in the era of big data needs to be able to efficiently deal with massive data. Traditional classification algorithms take a long time to train a model and classify the test dataset

and the algorithm is difficult to understand. To deal with the problems

a classification method based on dimension reduction is proposed in this paper. The multidimensional classification problem is transformed into multiple 2D projection surface combination by projection

and a density model of the projection surface is trained for classification. Compared with Support Vector Machines (SVM)

Logistic Regression (LR)

K-Nearest Neighbor (KNN) and other algorithms

the classification method based on dimension reduction has higher training efficiency and classification efficiency without loss of accuracy. The method is easy to implement

so it can be used for real-time application

such as intrusion detection and traffic scheduling.

关键词

Keywords

references

TENG L Y, TENG S H, TANG F, et al. A collaborative and adaptive intrusion detection based on SVMs and decision trees[C]//IEEE International Conference on Data Mining Workshop.[S.l.]:IEEE, 2014:898-905.

滕少华, 严远驰, 刘冬宁, 等. 基于FCM-C4.5的双过滤入侵检测机制[J]. 计算机应用与软件, 2016, 33(1):307-311. TENG S H, YAN Y C, LIU D N, et al. A dual filtration intrusion detection mechanism based on FCM and C4.5[J]. Computer Applications and Software, 2016, 33(1):307-311.

VARUNA S, NATESAN P. An integration of k-means clustering and nave bayes classifier for intrusion detection[C]//International Conference on Signal Processing, Communication and NETWORKING.[S.l.]:IEEE, 2015.

GUMUS F, SAKAR C O, ERDEM Z, et al. Online naive bayes classification for network intrusion detection[C]//IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining.[S.l.]:IEEE, 2014:670-674.

华辉有, 陈启买, 刘海, 等. 一种融合Kmeans和KNN的网络入侵检测算法[J]. 计算机科学, 2016, 43(3):158-162. HUA H Y, CHEN Q M, LIU H, et al. Hybrid K-means with KNN for network intrusion detection algorithm[J]. Computer Science, 2016, 43(3):158-162.

张雪芹, 顾春华, 吴吉义, 等. 基于约简支持向量机的快速入侵检测算法[J]. 华南理工大学学报(自然科学版), 2011, 39(2):108-112. ZHANG X Q, GU C H, WU J Y.et al. Fast intrusion detection algorithm based on reduced SVM[J]. Journal of South China University of Technology (Natural Science Edition). 2011, 39(2):108-112.

毕孝儒. 基于粗糙集属性约简和加权SVM的入侵检测方法研究[D]. 西安:西安科技大学计算机学院, 2011.

DU H, TENG S, FU X, et al. A cooperative intrusion detection system based on improved parallel SVM[C]//Pervasive Computing (JCPC), 2009 Joint Conferences on.[S.1.]:IEEE, 2009:515-518.

刘琪. DH-SVM:基于SVM和动态混合算法的公交车辆路段运行时间估计与预测方法的研究[D]. 济南:山东大学微电子学院, 2015.

柏丛, 彭仲仁. 基于动态模型的公交车行程时间预测[J]. 计算机工程与应用, 2016, 52(3):103-107. BAI C, PENG Z R. Bus travel time prediction based on dynamic model[J]. Computer Engineering and Applications, 2016, 52(3):103-107.

杨婷, 滕少华. 改进的贝叶斯分类方法在电信客户流失中的研究与应用[J]. 广东工业大学学报, 2015, 32(3):67-72. YANG T, TENG S H. Research and application of improved bayes algorithm for the telecommunication customer churn[J]. Journal of Guangdong University of Technology, 2015, 32(3):67-72.

夏琴晔, 杨宜民. 基于biSCAN和SVM的机器人目标识别新算法研究[J]. 广东工业大学学报, 2013, 30(4):65-69. XIA Q Y, YANG Y M. Research on a new algorithm for robots's recognition of objects based on biSCAN and SVM[J]. Journal of Guangdong University of Technology, 2013, 30(4):65-69.

BHATT R B, SHARMA G, DHALL A, et al. Efficient skin region segmentation using low complexity fuzzy decision tree model[C]//India Conference (INDICON), 2009 Annual IEEE.[S.1.]:IEEE, 2009.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于隐藏特征的点云模块

双模态迭代交叉注意力融合集成框架

基于最小二乘孪生支持向量机的不确定数据学习算法

基于数据挖掘的短期电力负荷风险预测分析

融合沟道倾斜角的3D NAND存储单元建模及编程策略优化