基于流形學習的圖像識別研究.pdf

1、復雜事物和對象通常用高維數據來表達和描述。如果直接對高維數據進行處理(如分類識別)，容易導致“維數災難”問題。因此，對此類數據進行降維，即減弱(或去掉)不必要的特征，加強(或保留)有重要影響的特征，能大大提高信息處理的效率和性能，是信息領域的重要研究內容。近來提出的流形學習方法，能夠克服傳統(tǒng)線性降維方法無法保持數據間非線性結構的缺陷，找出隱藏在高維觀測數據中有意義的非線性低維流形分布，以消除信息冗余，減少運算量。這種非線性降維方法目前已

2、成為降維算法的研究熱點，已成功地應用于數據壓縮、特征提取和高維數據可視化等領域。
　　 本文進行了以下研究：
　　 1、綜述了目前用于數據降維處理的常用線性算法和基于流形學習的非線性算法的原理、特點以及進展。對基于流形學習的Isomap算法和LLE算法以及改進算法——增量式Isomap算法、有監(jiān)督的Isomap算法、增量式LLE算法和有監(jiān)督的LLE算法進行了應用實例分析。
　　 2、結合增量式Isomap算法和有

3、監(jiān)督的Isomap算法，提出了有監(jiān)督的增量式Isomap算法，并進行了人臉圖像實驗。實驗結果證明，新方法繼承了經典Isomap算法最大限度地保持測地線距離的線性子空間的優(yōu)點，且改進了Isomap無法對后續(xù)采集的測試樣本單獨進行降維處理和未能利用樣本點的分類信息的兩點不足之處；節(jié)省了計算時間，提高了算法效率。
　　 3、根據上述改進思路，對具有相同缺陷的LLE算法也進行了類似的改進。提出了有監(jiān)督的增量式LLE算法，并進行了人臉圖像