拉普拉斯特征映射新增样本点问题及正则化降维研究
作者单位：暨南大学
学位级别：硕士
导师姓名：张传林
授予年度：2017年
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）]
摘 要：首先,针对拉普拉斯特征映射的新增样本点延拓问题,提出一种基于邻域信息的新增样本点延拓方法:假设新增样本点与邻域保持线性关系,使用稀疏编码方法求解线性系数,再由这些系数在低维空间重构得到新增样本点的低维表示。实验结果表明,与基于全局信息的稀疏编码重构方法相比,基于邻域信息的稀疏编码重构算法使用更少的时间取得更高的分类准确率。此外,该方法可以推广至其他非线性降维方法的新增样本点问题。其次,针对降维问题,提出同时从类标签和高维数据结构学习低维表示的监督学习降维方法,使用两步交替迭代法求解相应的优化问题,给出了该方法有解并收敛的证明。与其他有监督的数据降维方法对比,本文的算法在实验中表现出其优越性。
同方学位论文库