基于流形學習的降維技術的研究及應用.pdf

1、隨著數(shù)據(jù)獲取技術突飛猛進地發(fā)展，模式識別領域的高維數(shù)據(jù)越來越多。這些高維數(shù)據(jù)里的冗余信息不僅嚴重影響分類器的精度，增加分類器訓練的難度。這些高維數(shù)據(jù)還會造成“維數(shù)災難”。降維作為克服維數(shù)災難的有效手段，越來越受到研究者們的關注。最近研究表明，這些高維數(shù)據(jù)更有可能分布在非線性流形上，這對傳統(tǒng)的基于全局歐氏的降維技術帶來了挑戰(zhàn)。作為一種新的非線性降維技術，流形學習能夠有效地保持數(shù)據(jù)的拓撲結構，并已廣泛地應用到人臉識別、數(shù)據(jù)可視化等眾多領域。

2、但基于流形學習的降維技術在模式識別應用中存在著諸多缺點，如外樣本問題、過學習及無監(jiān)督學習等。為了提高流形學習的識別能力，本文提出了兩種新的有監(jiān)督的流形學習的降維方法。
　　1.首先提出了一種新的加權非參數(shù)最大間隔(Weighted Nonparametric Maximum Margin Criterion,WNMMC)降維方法，并將此方法與線性化的LLE算法融合提出了一種新的有監(jiān)督的流形學習算法非參數(shù)判別性局部線性嵌入(Nonp

3、arametric Locally Linear Discriminant Embedding, NLLDE)。最后在常用人臉識別數(shù)據(jù)庫上進行驗證和實驗對比。
　　2.提出了判別性局部相似信息和差異信息保持映射(Local Similarity and Diversity Preserving Discriminant Projection, LSDDP)。LSDDP通過構建的相似鄰接圖和差異鄰接圖保持樣本的相似信息和差異信息，并