資源描述：
《基于改進(jìn)局部切空間排列的流形學(xué)習(xí)算法-論文.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、第36卷第2期電子與信息學(xué)報(bào)Vl01．36NO．22014年2月JournalofElectronics&InformationTechnologyFeb．2014基于改進(jìn)局部切空間排列的流形學(xué)習(xí)算法杜春鄒煥新孫即祥周石琳趙晶晶(國(guó)防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院長(zhǎng)沙410073)摘要：局部切空間排列是一種廣受關(guān)注的流形學(xué)習(xí)算法，其具備實(shí)現(xiàn)簡(jiǎn)單、全局最優(yōu)等特點(diǎn)，但其難以有效處理稀疏采樣或非均勻分布的高維觀測(cè)數(shù)據(jù)。針對(duì)這一問(wèn)題，該文提出一種改進(jìn)的局部切空間排列算法。首先，提出一種基于L1范數(shù)的局部切空間估計(jì)方法，由于同時(shí)考慮了距離和結(jié)構(gòu)因素
2、，該方法得到的切空間較主成分分析方法更為準(zhǔn)確。其次，在坐標(biāo)排列步驟為了減小排列誤差，設(shè)計(jì)了一種基于流形結(jié)構(gòu)的加權(quán)坐標(biāo)排列方案，并給出了具體的求解方法?；谌嗽鞌?shù)據(jù)和真實(shí)數(shù)據(jù)的實(shí)驗(yàn)表明，該算法能夠有效地處理稀疏和非均勻分布的流形數(shù)據(jù)。關(guān)鍵詞：模式識(shí)別；流形學(xué)習(xí)；降維；局部切空間排列fLTSA)；L1范數(shù)中圖分類號(hào)：TP391．4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009—5896(2014)02．0277—08DOI：10．3724／SP．J．1146．2013．00135ManifoldLearningAlgorithmBasedonModifie
3、dLocalTangentSpaceAlignmentDuChunZouHuan-·xinSunJi·-xiangZhouShi--linZhaoJing-jing(CollegeElectronicScienceandEngineering，NationalUniversityofDefenseTechnology，Changsha410073，China)Abstract：TheLocalTangentSpaceAlignment(LTSA)isoneofthepopularmanifoldlearningalgorithmssinc
4、eitisstraightforwardtOimplementationandglobaloptima1．However．LTSAmayfailwhenhigh—dimensionalobservationdataaresparseornon-uniformlydistributed．Toaddressthisissue)amodifiedLTSAalgorithmispresented．Atfirst．a(chǎn)newL1normbasedmethodispresentedtoestimatethelocaltangentspaceofthed
5、atamanifold．Byconsideringbothdistanceandstructurefactors，theproposedmethodismoreaccuratethantraditionalPrincipalComponentAnalysis(PCA)method．Toreducethebiasofcoordinatealignment，aweightedschemebasedonmanifoldstructureisthendesigned，andthedetailedsolvingmethodisalsopresent
6、ed．Experimentalresultsonbothsyntheticandrealdatasetsdemonstratetheeffectivenessoftheproposedmethodwhendealingwithsparseandnon—uniNrmlymanifolddata．Keywords：Patternrecognition；Manifoldlearning；Dimensionalityreduction；LocalTangentSpaceAlignment(LTSA)；L1norm1引言構(gòu)數(shù)據(jù)時(shí)更具優(yōu)勢(shì)。作為一種典
7、型的非線性流形學(xué)習(xí)算法，局部切降維是當(dāng)前模式識(shí)別、機(jī)器學(xué)習(xí)等領(lǐng)域的研究空間排列fLocalTangentSpaceAlignment，LTSA)[3J熱點(diǎn)，其算法大致可以分為線性降維和非線性降維算法思想直觀，實(shí)現(xiàn)方便，并且能處理非凸流形，兩類。線性降維以主成分分析(PrincipalComponent在高維數(shù)據(jù)可視化[4】、基因數(shù)據(jù)分析[5】、人臉識(shí)別[6，7】、Analysis，PCA)[1J和多維尺度f(wàn)Multi—Dimensional遙感圖像分類等方面取得了成功應(yīng)用。然而，由Scaling，MDS)變換【】為代表，其一般假設(shè)觀測(cè)數(shù)據(jù)
8、于對(duì)處理數(shù)據(jù)的要求較高f數(shù)據(jù)稠密，滿足均勻分布具有線性結(jié)構(gòu)或滿足高斯分布，通過(guò)定義不同的準(zhǔn)并呈局部線性)，以及對(duì)數(shù)據(jù)的曲率和噪聲敏感，則函數(shù)來(lái)尋求最佳線性模型，將高維數(shù)據(jù)投影到線LTSA算法在
