基于模型合并的無(wú)監(jiān)督降維方法研究.pdf

1、數(shù)據(jù)降維是模式識(shí)別、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等領(lǐng)域的一個(gè)關(guān)鍵科學(xué)問(wèn)題。他是利用線性或非線性的變換將高維數(shù)據(jù)映射到低維空間，從而便于后續(xù)的數(shù)據(jù)分析。然而，隨著數(shù)據(jù)采集技術(shù)、通信技術(shù)和計(jì)算機(jī)技術(shù)的飛速發(fā)展，數(shù)據(jù)的規(guī)模越來(lái)越大、維度越來(lái)越高，這使得原有數(shù)據(jù)降維技術(shù)的運(yùn)算復(fù)雜度大大增加，甚至無(wú)法進(jìn)行。本論文針對(duì)大規(guī)模高維數(shù)據(jù)的快速有效降維問(wèn)題，深入研究基于模型合并的增量無(wú)監(jiān)督降維技術(shù)。論文的主要工作如下：
　?、籴槍?duì)已有增量2DPCA（Two-

2、dimensional Principal Component Analysis）算法不能同時(shí)處理多個(gè)數(shù)據(jù)以及忽略了數(shù)據(jù)的均值信息等問(wèn)題，提出了基于模型合并的增量二維主成分分析（M-I2DPCA）算法。該算法將數(shù)據(jù)空間用多個(gè)特征空間模型來(lái)描述，然后通過(guò)模型合并得到所有數(shù)據(jù)的特征空間表示模型及投影方向。且與批處理2DPCA算法相比，該方法能有效降低運(yùn)算復(fù)雜度并節(jié)省存儲(chǔ)空間。在 FERET、PIE、AR庫(kù)上的實(shí)驗(yàn)結(jié)果也表明該算法能夠達(dá)到批處

3、理方式2DPCA的性能。
　　②LPP（Locality Preserving Projection）算法在處理大規(guī)模高維數(shù)據(jù)時(shí)運(yùn)算復(fù)雜度太高，且面臨的大規(guī)模矩陣存儲(chǔ)與分解等問(wèn)題使得算法性能退化明顯。對(duì)此，本文提出了基于模型合并的增量局部保持投影（M-ILPP）算法。M-ILPP算法通過(guò)建立描述數(shù)據(jù)集的相應(yīng) LPP數(shù)據(jù)表示模型，然后通過(guò)合并不同的 LPP子數(shù)據(jù)表示模型，得到代表所有數(shù)據(jù)的 LPP總表示模型并由此求解投影方向。在多個(gè)