基于流形學(xué)習(xí)的降維技術(shù)的研究及應(yīng)用.pdf

1、隨著數(shù)據(jù)獲取技術(shù)突飛猛進地發(fā)展，模式識別領(lǐng)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(yán)重影響分類器的精度，增加分類器訓(xùn)練的難度。這些高維數(shù)據(jù)還會造成“維數(shù)災(zāi)難”。降維作為克服維數(shù)災(zāi)難的有效手段，越來越受到研究者們的關(guān)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(shù)帶來了挑戰(zhàn)。作為一種新的非線性降維技術(shù)，流形學(xué)習(xí)能夠有效地保持?jǐn)?shù)據(jù)的拓?fù)浣Y(jié)構(gòu)，并已廣泛地應(yīng)用到人臉識別、數(shù)據(jù)可視化等眾多領(lǐng)域。

2、但基于流形學(xué)習(xí)的降維技術(shù)在模式識別應(yīng)用中存在著諸多缺點，如外樣本問題、過學(xué)習(xí)及無監(jiān)督學(xué)習(xí)等。為了提高流形學(xué)習(xí)的識別能力，本文提出了兩種新的有監(jiān)督的流形學(xué)習(xí)的降維方法。
　　1.首先提出了一種新的加權(quán)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(xué)習(xí)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(gòu)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