基于隨機矩陣變換和貪婪算法的快速PCA算法.pdf

1、隨著科學的進步，信息技術(shù)得到了快速發(fā)展及廣泛應(yīng)用，如醫(yī)學圖像處理、計算生物學、全球氣候模型等，高維數(shù)據(jù)應(yīng)運而生。高維數(shù)據(jù)難以被現(xiàn)有的機器學習和數(shù)據(jù)挖掘算法進行有效地處理。降維算法是處理這些高維數(shù)據(jù)的一個非常重要的工具和方法。而流形學習作為一種高維數(shù)據(jù)降維的技術(shù)手段，在非線性降維方面取得了廣泛的應(yīng)用。
　　其中主成分分析(PCA)是一種假設(shè)全局能夠線性化表示而提出的流形學習算法。在數(shù)據(jù)規(guī)模越來越大的今天，數(shù)據(jù)處理速度越來越成為人們關(guān)

2、注的重點。但是我們又不想在犧牲算法準確性的基礎(chǔ)上降低時間復(fù)雜度，因為那樣會使得降維或分類后的數(shù)據(jù)無法如實反映原有數(shù)據(jù)的信息。
　　本文主要主要工作如下:
　　1.對降維算法做了總體的概述，重點介紹了兩種算法—ISOMAP和LLE，并且指出了ISOMAP在求近鄰點時將歐氏距離改為測地距離以后，算法所耗費的時間大量增加的缺點;簡要比較了在不同近鄰點數(shù)的情況下LLE降維效果的不同，并且對各向異性算法做了簡單的介紹。
　　2.