1.面向数据降维的邻域重建方法,其特征在于:所述方法包括如下步骤:步骤1,输入测试集中的数据作为数据中心点,输入数据训练集,输入数据中心点对应的初始邻域集合,初始邻域集是数据训练集的子集;
步骤2:将初始邻域集合和数据中心点放在一个矩阵中,得到基础矩阵,其中数据中心点位于矩阵最后一列;
步骤3:将步骤2所得基础矩阵右乘系数矩阵产生新的邻域集,迭代一定次数,并将初始邻域集以及每一次邻域集迭代右乘系数矩阵所产生的新的邻域集放到一起产生一个扩充的邻域集,具体的,在将每次产生的邻域集放到同一个扩充邻域集中时,需要先去掉每个邻域集的数据中心点;
步骤4,计算步骤3所得的扩充领域集中的每一个元素与数据中心点之间的欧式平方距离,在扩充领域集每一行中按元素与中心点欧式距离的关系从小到大进行排序;
步骤5,从扩充邻域集的每一行中选取一个与中心点欧氏平方距离最小的元素,即步骤
4排序后的扩充领域集中每一行的第一个元素;将所有的元素放到同一个集合中,即得到一个与中心点局部空间结构更加相似的邻域集合,完成领域重建。
2.根据权利要求1所述的面向数据降维的邻域重建方法,其特征在于:步骤3中,所述系数矩阵如下所示:其中,c为可调参数,将中心点及其邻域组成的矩阵除以可调参数c,以产生与中心点扩充的邻域集;其中K为要求的中心点的邻域的数目;基础矩阵X右乘系数矩阵可得到重建邻(r) r域集X =XR ,其中r∈{1,2,3,…,s},s表示基础矩阵迭代右乘系数矩阵的次数;通过数学(r)归纳,得到一个封闭形式的X :
其中 将每次迭代产生的邻域集和初始邻域集收集起来形成一个大的邻域集合。
3.根据权利要求1所述的面向数据降维的邻域重建方法,其特征在于:步骤4中,欧式平方距离的计算公式如下所示其中Xj表示中心点,Xji表示扩充邻域集中的第i个数据,dji表示第j个测试数据与该数据对应的扩充邻域集中的第i个数据的欧式平方距离。