44、数据图形表示的特征提取与分类及漫射光学断层成像深度分辨率改进方法

数据图形表示的特征提取与分类及漫射光学断层成像深度分辨率改进方法

在数据分析和模式识别领域，数据的有效表示和特征提取至关重要。同时，医学成像技术中的漫射光学断层成像（DOT）也面临着深度分辨率不足的问题。本文将介绍数据图形表示的特征提取与分类方法，以及改进DOT成像深度分辨率的智能方法。

数据图形表示的特征提取与分类

在多元分析中，多维数据的图形表示或图形分析是一种非常有用的工具。其中，“星图”是一种常用的图形表示形式，它通过从中心点辐射出的线段长度来表示每个维度的值，线段末端相连形成类似星星的形状，能很好地展示变量较多的数据。

然而，多维数据的图形表示在模式识别中的应用有限。通常，模式识别中会对归一化的向量数据进行训练和分类。基于此，提出了一种新的数据表示方法——图形表示，并基于此提出了从数据图形表示（如星图）中提取特征的新方法。

从多元数据的星图中，可以看到由辐条上的方差值围成的不规则多边形形状。基于此形状，为每个观测值提出了面积特征和重心特征，其数量与观测值的维度相同。这些新的图形特征扩展了基本特征的概念，实现了几何特征和数学特征的融合。

之前的实验结果表明，新的图形特征对K近邻分类器是有效的，但新图形特征会受到特征顺序的影响。不同的特征顺序会导致不同的图形特征和分类误差。因此，研究并解决了特征顺序问题。

图形表示与图形特征

星图是一种简单的多元可视化方法，通过从图标中心辐射出的线段长度来表示属性值，能提供变量值在不同对象间变化的总体印象。对于向量数据，应充分利用数据图形分析，挖掘星图的图形特征。

提出了星图的重心图形特征。首先将每个变量重新缩放到0到1的范围。对于缩放后