基于流形學習的降維方法及應用研究.pdf

1、當前信息世界中越來越多的數據呈現高維的特點，直接對這些數據進行分類時往往導致維數災難問題。因此為了避免這個問題，經常采用降維方法來處理這些高維數據。本文結合流形學習，利用原始數據的類別標簽，提出兩種監(jiān)督降維方法，應用于高維數據的特征提取和分類。實驗證明，這兩種方法能獲得較好分類效果。本文的主要工作如下:
　　(1)提出一種基于稀疏投影Fisher準則的流形學習方法。在該方法中，對于任意樣本點，根據類別信息，選擇同類樣本和距離較近的

2、異類樣本分別進行稀疏重構，進而獲得表示同類樣本聚集程度的類內散度和距離較近的異類樣本分散程度的類間散度，最后構建一個Fisher準則的優(yōu)化目標函數，尋找投影子空間，使得同類別的樣本更加聚集，不同類別但距離相近的樣本則在投影后由于距離變遠而更易區(qū)分。
　　(2)提出一種約束近鄰判別嵌入的方法。一方面，利用樣本的類別標簽信息分別構建類內近鄰圖和類間近鄰圖，在此基礎上定義表示不同類數據間距的度量;另一方面，提出一種基于局部最小線性重構的