基于低秩表示线性保持投影的特征提取算法-论文.pdf

《基于低秩表示线性保持投影的特征提取算法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第42卷第3期计算机科学Vo1．42No．32015年3月ComputerScienceMar2015基于低秩表示线性保持投影的特征提取算法杨国亮谢乃俊余嘉玮梁礼明(江西理工大学电气工程与自动化学院赣州341000)摘要为了在特征提取过程中保持数据低秩特性不变，提出了一种基于低秩表示的线性保持投影算法用于维数约简。它能够使降维后的低维空间中的数据依旧较好地保持在原始高维空间中的低秩特性，准确地学习出数据的低维子空间。通过构建两个不同的低秩表示模型来揭示两种不同结构特性的低秩权重，然后以保持数据的这两个低秩

2、权重关系为目的来求解高维数据的低维空间。在ORL库和Yale库人脸库上的实验结果证明，该算法比传统的特征提取方法更有效。关键词低秩表示，低秩权值，线性保持投影，特征提取中图法分类号TP391．41文献标识码ADOI10．11896／j．issn．1002—137x．2015．3．061FeatureExtractionBasedonLowRankRepresentationLinearPreservingProjectionsYANGGuo-liangXIENai-junYUJia-weiLIANGLi—

3、ming(SchoolofElectricalEngineeringandAutomation，JiangxiUniversityofScienceandTechnology，Ganzhou341000，China)AbstractForpreservingthelowrankpropertiesthesame，weproposedanalgorithm，calledlinearpreservingprojectionbasedonlowrankreDresentations(ILRLPP)，toredu

4、cethedimensionofdata．Itcanpreservethe1owrankpropertiesoftheoriginaldataspaceintheresultinglowdimensionalembeddingsubspaceandcorrectlylearnthelow-dimensionalsubspace．Throughconstructingtwodifferentlowrankrepresentationmodel，thelowrankweightsofrepresentingd

5、if—ferentstructuralcharacteristicsarerevealed．Thenthelow-dimensionalsubspaceoftheoriginalhigh-dimensionaldataisobtainedbypreservingsuchlowrankweightrelationship．Theeffectivenessoftheproposedmethodisverifiedontwofacedatabases(ORL，Yale)withthetraditionalalg

6、orithms．KeywordsI．owrankrepresentation，Lowrankweight，Linearpreservingprojections，Featureextraction(IsometricMapping，IsoMap)_6等一系列的非线性流形学习1引言算法被提出。后来，学者在上述非线性算法中人为地引入线寻找高维空间的低维投影(子空间方法)是数据降维技术性映射，构建了相应的线性化版本的流形学习算法。例如，局中一种重要的方法，由于其计算简单、实现容易和可分信息强部保持嵌人(Loca

7、lityPreservingProjections，LPP)[7]是LE算等特点，一直是计算机视觉和模式识别领域中的研究热点。法的线性化版本，通过对IIE算法线性化提出了近邻保持嵌根据子空间方法中是否存在投影矩阵，子空间数据降维方法入(NeighborhoodPreservingEmbedding，NPE)[8]算法。这类可以分为线性和非线性两大类。最经典、应用最为广泛的线线性化方法克服了非线性方法面临的“外样本学习”问题。流性方法是主成分分析(PrincipalComponentAnalysis，PCA

8、)[]形学习算法在学习数据高维空间的低维子空间过程中，充分和线性鉴别分析(LinearDiscriminantAnalysis，LDA)c。这保持了数据在高维空间的局部结构关系这一特性，但也丢失两种方法都是基于样本点服从多元正态分布这一前提假设而了样本间的非局部属性，导致算法在处理受到干扰的数据时提出的。随后研究者们发现，现实世界中的多数数据更可能(如人脸数据在受到光照、姿态和表情变化较大时)性能并不分布于嵌入在高维数据空间中