换一批基于自适应邻域参数的局部线性嵌入算法的脑力负荷分类
Mental Load Classification of Local Linear Embedding Algorithm Based on Adaptive Neighborhood Parameters
摘要近年来,随着人工智能领域技术的不断发展,人机交互领域吸引了更多学者的关注.研究表明由脑电图(electroen-cephalogram,EEG)提取的特征功率谱密度对于脑力负荷的变化比较敏感,但由于其维数过高,容易造成数据灾难.局部线性嵌入(locally linear embedding,LLE)是常用的非线性降维算法,该算法弥补了传统线性降维算法无法发现数据中非线性结构关系的不足.由于不同数据集中样本分布的稀疏程度和扭曲程度不同,在使用LLE对不同数据集进行降维时的最佳邻域参数也不同.利用样本点之间的欧氏距离和测地距离的关系量化了数据集的扭曲程度,自适应邻域参数的局部线性嵌入算法(variable k-locally linear embedding,VK-LLE)动态地调整每一个数据集的最佳邻域参数,解决了样本分布扭曲程度不同对降维效果造成的干扰.实验结果表明,经过VK-LLE降维后的数据使用支持向量机(support vector machine,SVM)分类精度普遍高于经过传统LLE的降维后再使用SVM分类的精度,对复杂数据集有更强的适应能力.
更多相关知识
关键词
脑力负荷局部线性嵌入算法邻域参数测地距离mental loadlocal linear embedding algorithmneighborhood parametergeodesic distance
分类号
R857（航空航天医学）
栏目名称
DOI
10.12404/j.issn.1671-1815.2400254
发布时间
2024-10-28（万方平台首次上网日期，不代表论文的发表时间）
- 浏览2
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
