基于多信息融合的流形學(xué)習(xí)方法研究.pdf

1、流形學(xué)習(xí)方法是一個具有前瞻性的研究方法，其本質(zhì)就是從高維樣本中找出它們的低維流形結(jié)構(gòu)，然后求出對應(yīng)的嵌入映射，實現(xiàn)數(shù)據(jù)維數(shù)約簡。目前，很多流形學(xué)習(xí)方法是無監(jiān)督學(xué)習(xí)方法，這些方法得不到滿意的分類效果。將數(shù)據(jù)類別標(biāo)簽、數(shù)據(jù)全局結(jié)構(gòu)信息和局部結(jié)構(gòu)信息等多種信息融合到流形學(xué)習(xí)方法中，有助于分類性能的提高。
　　人臉識別的關(guān)鍵是提取最具鑒別能力的特征。由于人臉具有低維流形結(jié)構(gòu)，所以采用流形學(xué)習(xí)方法可以獲得較好的特征，本文對流形學(xué)習(xí)方法進(jìn)行了

2、相關(guān)的研究，主要研究成果如下:
　　1.融合訓(xùn)練樣本的類別標(biāo)簽信息，局部結(jié)構(gòu)信息，鄰接信息，提出了基于排斥圖和吸引圖的局部保持投影算法(Locality Preserving Projections based on Repulsion and AffinityGraphs，LPP-RA)和基于圖的有監(jiān)督判別投影算法(Graph-based Supervised DiscriminantProjection，GSDP)。
　

3、　為了克服局部保持投影算法（Locality Preserving Projections，LPP）沒有利用樣本類別信息的缺點，本文提出了一種基于排斥圖和吸引圖的局部保持投影(Locality PreservingProjections based on Repulsion and Affinity Graphs，LPP-RA)算法，該算法建立排斥圖和吸引圖，并結(jié)合排斥圖和吸引圖進(jìn)行特征抽取，排斥圖反映兩個鄰近但不同類樣本之間的關(guān)系;吸

4、引圖反映兩個同類但不近鄰樣本之間的關(guān)系。同時，定義樣本相似性度量，去除樣本原始特征抽取時噪聲和特征值變異的影響。Feret和Yale人臉數(shù)據(jù)庫上的實驗驗證了該算法的有效性。
　　無監(jiān)督鑒別投影(Unsupervised Discriminant Projection，UDP)沒有利用樣本類別標(biāo)簽，所以沒有利用樣本的鑒別信息。本文在無監(jiān)督鑒別投影(UDP)算法的基礎(chǔ)上提出了基于圖的有監(jiān)督判別投影（Graph-based Superv

5、ised Discriminant Projection，GSDP）算法，利用吸引圖和排斥圖設(shè)計目標(biāo)函數(shù)進(jìn)行特征抽取，建立吸引圖的目的是使同類但不是近鄰的樣本互相吸引，建立排斥圖的目的是使近鄰但不是同類的樣本互相排斥。在Feret和Yale兩個標(biāo)準(zhǔn)人臉庫上的大量實驗表明了該算法的有效性。
　　2.融合訓(xùn)練樣本的局部結(jié)構(gòu)信息，類別標(biāo)簽信息，數(shù)據(jù)之間的鄰接信息，提出了自適應(yīng)近鄰的局部保持投影（Adaptive Neighborhood

6、 Locality Preserving Projestion，ANLPP）。
　　近鄰參數(shù)k影響局部保持投影（Locality Preserving Projections，LPP）性能，合適的近鄰參數(shù)k難以確定。本文提出基于自適應(yīng)近鄰的局部保持投影（Adaptive NeighborhoodLocality Preserving Projection，ANLPP）算法。自適應(yīng)近鄰不涉及參數(shù)k的選擇，在確定樣本鄰域時，使用了樣本

7、的標(biāo)簽信息，樣本的流形結(jié)構(gòu)信息。構(gòu)造的鄰接矩陣，考慮了同類鄰近樣本、同類不鄰近樣本、不同類鄰近樣本的相似度。由鄰接矩陣構(gòu)造目標(biāo)函數(shù)，由目標(biāo)函數(shù)獲得投影變換矩陣。Feret和Yale人臉圖像庫的實驗驗證了該算法的有效性。
　　3.融合訓(xùn)練樣本的局部結(jié)構(gòu)信息，類別標(biāo)簽信息，數(shù)據(jù)之間的鄰接信息，提出了監(jiān)督線性局部切空間排列算法(Supervised Linear Local Tangent Space Alignment，SLLTSA)

8、。
　　線性局部切空間排列算法（Linear Local Tangent Space Alignment，LLTSA）沒有使用樣本標(biāo)簽信息，本文在線性局部切空間排列算法的基礎(chǔ)上提出了監(jiān)督線性局部切空間排列算法(Supervised Linear Local Tangent Space Alignment，SLLTSA)。該算法引入標(biāo)簽信息，并且將多個目標(biāo)函數(shù)融合，不僅保持了樣本的原始幾何結(jié)構(gòu)，還增強了原始數(shù)據(jù)的判別結(jié)構(gòu)信息，使同類

9、樣本更加靠近，異類樣本更加遠(yuǎn)離，提高了分類性能。與幾種相似的算法比較，該算法的分類性能更高。
　　4.融合訓(xùn)練樣本的類內(nèi)散布信息、類間散布信息和近鄰相似信息，提出了基于馬氏距離的局部保持流形學(xué)習(xí)算法(Locality Preserving Manifold Learning Algorithm based onMahalanobis-distance,LPMLAM)。
　　最大化約束邊緣的半監(jiān)督矩陣學(xué)習(xí)(Semisuperv

10、ised Metric Learning by MaximizingConstraint Margin)算法要投影空間使原始樣本類間的馬氏距離增大，類內(nèi)的馬氏距離減小，取得了較好的分類效果，但是該算法只考慮了樣本的全局信息，沒有利用樣本的局部信息，本文提出的基于馬氏距離的局部保持流形學(xué)習(xí)算法（Locality Preserving Manifold LearningAlgorithm based on Mahalanobis-dista