基于聯(lián)合學(xué)習(xí)的特征提取算法研究.pdf

1、模式識(shí)別是近年來的熱點(diǎn)問題之一。模式識(shí)別一般分為五個(gè)步驟：數(shù)據(jù)的獲取，預(yù)處理，特征提取，特征選擇以及分類器分類。特征提取和特征選擇是分類問題的兩個(gè)關(guān)鍵步驟，主要用于快速準(zhǔn)確的分類。良好的特征提取方法所提取出的特征對(duì)后續(xù)的特征選擇以及分類器的分類及模式識(shí)別起到很重要的作用。現(xiàn)有的特征提取方法有很多，但是特征提取過程與后續(xù)的特征選擇過程往往是互相獨(dú)立的，他們各自有各自的優(yōu)化準(zhǔn)則，然而兩者優(yōu)化準(zhǔn)則的交集卻未必準(zhǔn)確。
　　本文通過對(duì)現(xiàn)有的

2、特征提取算法的研究學(xué)習(xí)，針對(duì)如何找到一種特征提取與特征選擇進(jìn)行聯(lián)合學(xué)習(xí)的方法進(jìn)行了研究，對(duì)現(xiàn)有的特征提取算法進(jìn)行了改進(jìn)。主要貢獻(xiàn)包括：
　　研究了一種非監(jiān)督的聯(lián)合稀疏鄰域保持嵌入方法（Joint Sparse Neighborhood Preserving Embedding, JSNPE），該方法的研究目的是希望降維后的數(shù)據(jù)既能夠保持原始數(shù)據(jù)鄰域的流形結(jié)構(gòu)的信息，又能夠使轉(zhuǎn)換矩陣具有列稀疏性，以此來減少樣本識(shí)別時(shí)的計(jì)算量，同時(shí)希

3、望可以降低數(shù)據(jù)的維度，以達(dá)到較好的特征提取結(jié)果，為后續(xù)的分類器設(shè)計(jì)奠定良好的基礎(chǔ)。
　　本文還進(jìn)一步研究了該聯(lián)合學(xué)習(xí)算法的一種監(jiān)督學(xué)習(xí)模型，稱為聯(lián)合判別稀疏鄰域保持嵌入方法（Joint Discriminate Sparse Neighborhood Preserving Embedding，JDSNPE）。通過對(duì)JSNPE中加入判別信息，能夠有效的利用樣本的類別的信息，即希望類間散度與類內(nèi)散度的差值最大化，以達(dá)到同類聚集，異類分