·520· 智能系统学报 第3卷 续表9 PCA OSDV UOSDV Number of Leave-one-out Leave-one-out Leave-one-out Leave-one-out Leave-one-out Leave-one-out features rate with rate with rate with rate with rate with rate with 1-NN LibSVM 1-NN LibSVM 1-NN LibSVM 8 0.916 0.627 0.963 0.972 0.930 0.954 10 0.916 0.627 0.963 0.972 0.938 0.954 12 0.916 0.627 0.963 0.972 0.935 0.953 14 0.916 0.627 0.972 0.972 0.940 0.958 16 0.916 0.627 0.956 0.974 0.944 0.960 18 0.916 0.627 0.956 0.970 0.938 0.960 20 0.916 0.627 0.953 0.965 0.938 0.958 22 0.916 0.627 0.946 0.963 0.930 0.960 24 0.916 0.627 0.951 0.944 0.942 0.944 26 0.916 0.627 0.951 0.938 0.944 0.940 从以上表中看出，采用无监督特征提取方法 将L分别对ω，m:及g求偏导数，并令偏导数 UOSDV降维的数据留一法交叉验证所得分类准确 为零，即 率均低于采用有监督特征提取方法OSDV降维的数 aL-0, (A3) 据，而却不低于同属于无监督特征提取方法的PCA dw 降维数据 L=0, (A4) omi 4结束语 L=0. (A5) 本文针对无监督特征降维问题，提出了一种无 dug 对于式(A3),由于S和S均为对称半正定矩 监督模式下最佳鉴别矢量集方法.实验表明.尽管由 于样本类别信息的缺失，使得该方法无法优于有监 阵，因此有 督特征提取的最佳鉴别矢量集技术.但是不论是在 a(wSaw) =2S6ω， dw 聚类有效性还是分类准确率实验中均优于同属于无 a(wSw） 监督特征提取算法的主成分分析方法.该算法的局 aw =2Sw. 限性在于只适用于线性可分的数据集，对于线性不 可分的数据集，如何在核化空间运用该方法将是下 由此，=0=2S%0-2ASw=0,因此有 一步研究的重点。 SBω=ASw, 对于式(A4),由于 附录： 模糊Fisher准则(fuz四Fisher criterion)函数为 S2=2∑g(m,-), om: 1 SA'So N Ja-5fS0 (A1) aS=-2∑(-m,) om: 使用Lagrange乘子法求解Je取得极大值时，取w, 因此 m:和u的值 定义Lagrange函数为 =0-2w月9(,-)m+ 0m: L=wSBw-AwSω+ 2入 T∑g(x-m)ω=0 公-. (A2) 台1 式中：入和入yG=1,2,…,n)为Lagrange乘子. →w(m-w=-w4(与-m)