一种新的基于最大边缘准则的监督流形学习方法-论文.pdf

《一种新的基于最大边缘准则的监督流形学习方法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第41卷第4期计算机科学Vo1．41NO．42014年4月ComputerScienceApr2014一种新的基于最大边缘准则的监督流形学习方法袁臀杨瑞国。原媛。雷迎科。(合肥学院网络与智能信息处理重点实验室合肥230022)(电子工程学院合肥230037)。摘要在深入研究局部样条嵌入算法(LSE)的基础上，引入明确的线性映射关系，构建平移缩放模型和正交化特征子空间，提出了一种正交局部样条判别投影算法(O-LsDP)，有效解决了原始LSE算法存在的两介主要问题：样本外点学习问题和无监督模式学习问题。该算法能够应用于模式分类问题并显著改

2、善算法的分类识别能力。在标准人脸数据库上进行的实验比较分析验证了该算法的有效性与可行性。关键词特征提取，子空间学习，局部样条嵌入，最大边缘准则，流形学习中图法分类号TP181文献标识码ANewSupervisedManifoldLearningMethodBasedonMMCYUANMinYANGRui-guoYUANYuan~LEIYing-ke(Key1．abofNetworkandIntelligentInformationProcessing，HefeiUniversity，Hefei230022，China)(Electro

3、nicEngineeringInstitute，Hefei230037，China)。AbstractBasedontheanalysisoflocalsplineembedding(LqE)method，weproposedanefficientfeatureextractional—gorithmcalledorthogonallocalsplinediscriminantprojection(O-LSDP)．Byintroducinganexplicitlinearmapping，con—struttingdifferenttr

4、anslationandresealingmodelsfordifferentclassesaswellasorthogonalizingfeaturesubspace，O-LSDPcaneffectivelycircumventthetwomajorshortcomingsoftheoriginalIN[algorithm，i．e．，out-of-sampleandun-supervisedlearning．O-I~DPnotonlyinheritstheadvantagesofLSEwhichuseslocaltangentspa

5、ceasarepresentationofthelocalgeometrysoastopreservethelocalstructure，butalsomakesful1useofclassinformationandorthogonalsubspacetOsignificantlyimprovediscriminantpower．Extensiveexperimentsonstandardfacedatabasesandplant1eafdatasetverifythefeasibilityandeffectivenessofthe

6、proposedalgorithm．KeywordsFeatureextraction，Subspacelearning，Localsplineembedding，Maximummargincriterion，Manifoldlearning过线性化、核化和张量化扩展来提高流形学习的样本外点学1引言习能力l_1。He等人对LE算法进行线性化处理，提出了局流形学习方法假定输入数据是嵌入在高维观测空间的低部保持投影算法(LocalityPreservingProjection，IPP)[]，其维流形上，其目的是找出高维数据中所隐藏的低维流

7、形结构。实质是通过对数据流形上的Laplacian-Beltrami算子的特征经典的流形学习方法包括等距特征映射算法(ISOMAP)_1]、函数进行线性近似，从而获得高维输入空间到低维流形的显局部线性嵌入算法(LLE)l2】、Laplacian特征映射算法式映射关系。Yan等人在图嵌入框架理论下提出了边缘(LE)c4,53、Hessian特征映射算法(HLLE)l6]、最大差异展开Fisher分析算法(MarginalFisherAnalysis，MFA)来解决流算法(MⅥI)【]、局部切空间排列算法(LTSA)_9]、黎曼流形形学习

8、的样本外点学习问题[1]。(2)无监督模式学习。原始学习算法(RMI)I3o,n]和局部样条嵌入算法(LSE)~12,13]等。的流形学习算法具有很好的维数约简能力，但因为是无监督由于流形学习方法的非线性本质、几何直观性