流形學習算法分析及應用研究.pdf

1、降維方法是處理高維數(shù)據(jù)的一個重要手段，數(shù)據(jù)的降維處理方面已經(jīng)有了大量的研究工作。降維的主要目的是將原始數(shù)據(jù)對應的高維空間數(shù)據(jù)映射至低維空間的流形，前提是盡可能的保證數(shù)據(jù)間的幾何關系和距離測度不變。這樣不僅能在以后的相關計算中減少許多數(shù)據(jù)量，而且也去除了大數(shù)據(jù)量的冗余信息，從而提高識別的精度和時間效率。 以PCA為代表的線性流形學習算法具有較強的數(shù)學基礎，實現(xiàn)簡單，但是其線性本質并不能揭示復雜的非線性流形。于是又出現(xiàn)了以主曲線、I

2、SOMAP、LLE、LE等為代表的非線性流形學習算法。實驗表明了流形學習的降維過程在精度上并沒有明顯的損失，而在時間效率上有著顯著的提高。 首先，本文介紹了當前主要流形學習算法的原理及典型算法，對算法性能進行了分析。針對當前的流形學習算法的適用環(huán)境及性能進行可視化分析，并著重講述了如何建立主曲線的算法問題。然后針對當前的語音識別模型中存在的語音幀的病態(tài)假設以及高維數(shù)據(jù)問題，利用流形學習具有對數(shù)據(jù)集約簡維數(shù)處理后仍能保持數(shù)據(jù)集的鄰