Die Leistungsfähigkeit der klassischen linearen Diskriminanzanalyse auf der Grundlage der verallgemeinerten Singulärwertzerlegung (LDA/GSVD) verschlechtert sich beim Umgang mit unbeschrifteten Datensätzen, da die LDA vordefinierte Eingaben und Ziele erfordert. Darüber hinaus leidet der LDA/GSVD-Algorithmus aufgrund seiner komplexen mathematischen Berechnungen und Iterationen unter hohen Rechenkosten. Um diese Probleme zu lösen, werden in dieser Studie die selbstorganisierende Karte (SOM) als neue Methode zur Kennzeichnung von Datensätzen und die Entwicklung eines auf einem künstlichen neuronalen Netz basierenden Algorithmus eingeführt, um die Rechenkosten von LDA/GSVD zu überwinden. Die Ergebnisse zeigen, dass die Verwendung von SOM und ANN die Probleme des traditionellen LDA/GSVD-Algorithmus wirksam löst.
