基于局部信息保持的特征降维方法研究

《基于局部信息保持的特征降维方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、代号10701学号1102121230分类号TP181密级公开题（中、英文）目基于局部信息保持的特征降维方法研究ResearchonFeatureDimensionalityReductionMethodsBasedonLocalInformationPreservation作者姓名王飞指导教师姓名、职务姬红兵教授学科门类工学学科、专业模式识别与智能系统提交论文日期二○一四年一月万方数据西安电子科技大学学位论文独创性(或创新性)声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列

2、的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担一切的法律责任。本人签名：日期西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，

3、毕业后结合学位论文研究课题再攥写的文章一律署名单位为西安电子科技大学。(保密的论文在解密后遵守此规定)本人签名：日期导师签名：日期万方数据摘要摘要作为模式识别领域的关键技术，特征降维的好坏直接影响分类识别的效果。特征降维的主要任务就是，在不影响数据原始信息的基础上对抽取的数据特征进行降维优化及可视化。实际中，由于数据分布情况往往很复杂，类内数据的中心互相远离，因此基于全局的特征降维方法不能取得理想效果，基于此，本文主要研究了基于局部结构的特征降维方法。首先，介绍了特征降维领域的经典方法。根据是否利用了类标信息，特征降维方法可以分为无监督方法和有监督方法。无监督的特征降维方法使得原始

4、数据在低维流形中能够保持原有的几何关系。有监督的特征降维方法利用类标信息，对不同样本的相关性进行鉴别，因此适用于通常的分类任务。其次，针对基于全局的特征降维方法中忽略局部结构的缺陷，在Xing算法的基础上加入基于欧氏距离的局部结构信息，提出LXing算法。另外，将这一思想推广到RCA中去，提出了LRCA算法。进一步，针对NCA算法中近邻选择随机性的不足，把表示局部结构的热核函数融合到NCA中去，对样本的近邻点做了进一步的加权，提出了WNCA算法。最后，针对样本间相似度的估计只利用欧氏距离的不足，提出了基于邻域样本相似度的LPP算法，算法中计算样本间的相似度时既考虑了欧氏距离又考虑了

5、邻域样本相似度，对样本之间的相似度进行了更为精确的估计。然后，将这种思想推广到LFDA算法中去，提出了NSS-LFDA算法。此外，把邻域类标相似度信息加入到LFDA中去，提出了NLS-LFDA算法，该算法计算样本间的相似度时既考虑了欧氏距离又考虑了邻域类标相似度，挖掘了更为丰富的局部信息。关键词：特征降维局部结构邻域样本相似度邻域类标相似度万方数据AbstractAbstractFeaturedimensionlityreductionhasbeenakeyprobleminpatternrecognition.Successornotoffeaturedimensionlityr

6、eductionwillaffecttheresultofclassification.It’smaintaskistooptimizetheextractedfeaturesfordimensionreductionorvisualizationwithoutlosingintrinsicstructureoforiginalinformation.Becauseglobalfeatureoptimizationmethodstendtogiveundesiredresultsifsamplesinaclassaremultimodal.Thispaperhasaresearch

7、onmethodsoffeaturedimensionlityreductionbasedonlocalstructure.First,inthispaperwesurveythefieldoffeaturedimensionlityreduction,andreviewrecentwork.Dependingontheavailabilityoflabelinformation,featuredimensionlityreductionmethodscanbediv