最小二乘在特征提取中的應(yīng)用研究.pdf

1、互聯(lián)網(wǎng)時代，海量高維數(shù)據(jù)的涌現(xiàn)成為模式識別面臨的巨大挑戰(zhàn)，降維技術(shù)是處理高維數(shù)據(jù)，克服“維數(shù)災(zāi)難”的重要方法。近年來，盡管降維技術(shù)取得了一定程度的發(fā)展，由于高維數(shù)據(jù)的數(shù)據(jù)量大以及維數(shù)高，使得對數(shù)據(jù)的特征提取工作具有很大的困難，同時也擁有廣闊的發(fā)展前景。
　　本文研究了數(shù)據(jù)降維技術(shù)的幾種經(jīng)典方法，并在這些經(jīng)典方法的啟發(fā)下，對某些算法過程以及處理速度進(jìn)行改進(jìn)優(yōu)化，提出了幾種新的降維方法。本文的主要工作如下:
　　1.回顧幾種經(jīng)典

2、降維方法，并用一個一般化的圖嵌入框架將它們統(tǒng)一描述。針對傳統(tǒng)圖嵌入框架下圖構(gòu)建方法具有計算緩慢的缺陷，結(jié)合稀疏編碼理論的優(yōu)點，并利用最小二乘方法，提出了一種基于正則化最小二乘法的圖嵌入框架RLSGE，改進(jìn)了圖構(gòu)建模式。該方法在保持傳統(tǒng)圖嵌入框架所具備的魯棒性強(qiáng)等特點的同時，提高了降維處理速度。在RLSGE框架下，提出了一種基于正則化最小二乘的鑒別映射特征提取方法(RLSDP)。該方法在繼承SPP的稀疏特性的基礎(chǔ)上，優(yōu)化了圖構(gòu)建速度，并且