有監(jiān)督鄰域保持嵌入算法研究及其應(yīng)用.pdf

1、隨著信息時(shí)代的發(fā)展，在數(shù)據(jù)挖掘、機(jī)器視覺(jué)、人工智能等領(lǐng)域中，會(huì)遇到大量的高維數(shù)據(jù)，例如人臉數(shù)據(jù)、基因表示數(shù)據(jù)、文本數(shù)據(jù)等。對(duì)高維數(shù)據(jù)的直接處理會(huì)帶來(lái)計(jì)算復(fù)雜度過(guò)大、維數(shù)災(zāi)難等問(wèn)題，行之有效的解決方案之一是降低高維數(shù)據(jù)的維數(shù)。目前，流形學(xué)習(xí)在探索數(shù)據(jù)的非線性降維問(wèn)題方面取得了令人矚目的成果，備受研究人員的關(guān)注。
　　鄰域保持嵌入(Neighborhood preserving embedding, NPE)是一種典型的無(wú)監(jiān)督流形學(xué)習(xí)

2、方法，已經(jīng)被廣泛應(yīng)用于數(shù)據(jù)的降維，聚類及可視化等。本文著重研究了鄰域保持嵌入算法并將其拓展到有監(jiān)督的學(xué)習(xí)形式。具體來(lái)講，本文的主要工作包括：
　　(1)在鄰域保持嵌入算法的基礎(chǔ)上，通過(guò)引入判別近鄰嵌入(Discriminate neighborhood embedding, DNE)算法來(lái)利用已知訓(xùn)練樣本的類別信息，提出了基于判別近鄰嵌入的鄰域保持嵌入算法。該算法能使降維后的同類樣本點(diǎn)更加緊湊，異類樣本點(diǎn)更加疏遠(yuǎn)。人臉數(shù)據(jù)庫(kù)上的實(shí)

3、驗(yàn)驗(yàn)證了該方法能利用類別信息，有效地實(shí)現(xiàn)人臉識(shí)別。
　　(2)在鄰域保持嵌入算法的基礎(chǔ)上，通過(guò)引入吸引子的概念來(lái)利用已知訓(xùn)練樣本的類別信息，提出了基于吸引子的鄰域保持嵌入算法。該算法使得投影后的樣本點(diǎn)盡可能地靠近其對(duì)應(yīng)類別的吸引子，從而使得降維后的同類樣本點(diǎn)能緊湊地聚集在一起。人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)說(shuō)明了該算法比已有的有監(jiān)督鄰域保持嵌入算法具有更好的性能。
　　(3)在基于吸引子的鄰域保持嵌入算法中，選取近鄰的時(shí)候引入稀疏表示的