欢迎来到天天文库
浏览记录
ID:36427206
大小:8.74 MB
页数:109页
时间:2019-05-10
《流形学习的谱方法相关问题研究》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、北京交通大学博士学位论文流形学习的谱方法相关问题研究姓名:曾宪华申请学位级别:博士专业:计算机软件与理论指导教师:罗四维20090601北京交通大学博士学位论文义高斯型函数构造多个拉普拉斯矩阵,获取多个独立的低维空间坐标集合,独立学习分类器,集成分类识别。时间复杂度上EGGLE算法与Ensemble—Isomap和En.ULLELDA算法相比较通常更具有优越性。在半监督学习框架下做了LE与EGGLE算法的对比实验,识别结果表明了EGGLE算法的有效性。另外,本文也提出了一种监督的集成流形学习算法(EGGLE.LDA),该算法将线性监督算法LDA和EGGLE相结合,加强集
2、成流形学习在监督学习中的判别能力,使得EGGLE—LDA算法既考虑了数据的类别信息又考虑了几何分布特性。实验结果表明了EGGLE.LDA算法和En—ULLELDA算法的集成识别性能的差异。(4)提出了一种全局拉普拉斯展开算法(GLU),该算法综合了局部保持的拉普拉斯特征映射算法(LE)和全局保持的最大化方差展开算法(MVU)的优点。主要思想是使得局部近邻的点尽可能的接近,同时也要使得相互远离点尽可能远。实现方法是构造局部尽可能近邻和全局展开的双目标函数,引入低维坐标的Gram内积矩阵,通过半定规划(SDP)的方法优化双目标函数,从而学习这样一个内积矩阵,最后对这个内积矩
3、阵进行特征分解求内在低维嵌入。在月亮形人造数据集、真实的USPS手写体数字数据集和雕塑头像数据集上的可视化实验验证了GLU算法的有效性;并且比较了LE、MVU、UDP和GLU等4种流形学习算法的低维可分性和可视化效果,‘实验结果表明了GLU算法的优越性。关键词:流形学习;谱方法;邻接图;拉普拉斯;增殖;广义高斯函数:集成;半定规划;展开分类号:TPl81ABSTRACTABSTRACTInthecurrentinformationage,alargequantityofdatacanbeobtainedeasily.Theobtaineddataarehigh-dime
4、nsional,enormous,multifarious,disordered,andcontinuouslyincreasinginmanypracticalapplications.Thevaluableinformationissubmergedintolargescaledataset.ItiSnecessarytofindtheintrinsiclawsofthedatasetandpredictthefuturedevelopmenttrend.Manifoldlearningassumesthattheseobserveddatalieonorclose
5、tointrinsiclow-dimensionalmanifoldsembeddedinthehigh-dimensionalEuclideanspace.Themaingoalofmanifoldlearningistofindintrinsiclow·-dimensionalmanifoldstructuresofhigh-dimensionalobserveddatasetandtheembeddingmap.Atpresent,manifoldlearninghasbecomeahotissueinthefieldsofmachinelearning,patt
6、ernrecognition,dataminingandotherrelatedresearch.Byanalyzingtheintensionandextensionofmanifoldlearning,thisdissertationisdevotedtosolvingseveralimportantproblemsofspectralmethodsformanifoldlearning,andcarriesoutaseriesofresearchonalgorithmdesignandimagemanifoldapplication.Firstly,traditi
7、onalspectralmethodsareanalyzedandcontrastedindetail.Secondly’fiveproblemsaremainlyinvestigated,whichincludeknowledge.increasablelearningofmanifold,constructingareasonablemeasureofneighborhoodrelation,enhancingtheseparabilityofthelow-dimensionalspace,manifoldlearningbasedo
此文档下载收益归作者所有