基于半監(jiān)督學習的特征降維方法研究.pdf

1、特征降維是機器學習領域的重要研究方向之一，廣泛應用于計算機視覺和數據挖掘等領域。其目的是去除原始數據中存在的大量冗余信息，尋找出復雜數據中有效的本質特征。實際中，容易獲得大量無標記樣本，而有標記樣本的數量有限，使得傳統(tǒng)的有監(jiān)督和無監(jiān)督特征降維方法都不能取得很好的效果。為了充分利用無標記樣本的信息，本文重點研究基于半監(jiān)督學習的特征降維方法。
　　首先，針對直推式成分分析(TCA)方法中有監(jiān)督的類內圖和類間圖不能充分利用類標信息的問題

2、，提出了一種新的直推式局部費舍爾判別分析(TLFDA)方法。該方法通過判別分析來計算局部類間散布矩陣和局部類內散布矩陣，實現(xiàn)了對樣本類標信息更充分的利用，同時保留了TCA方法能保持樣本局部結構信息的特性。仿真實驗結果表明，與傳統(tǒng)基于半監(jiān)督學習的特征降維方法相比，所提TLFDA方法具有更好的識別性能。
　　其次，針對SELF方法僅保持少量有標記樣本局部結構信息的局限性，提出了一種新的直推式局部判別分析(TLDA)方法，將線性判別分析

3、和改進的LPP方法相結合，能夠兼顧大量無標記樣本的局部結構信息和有標記樣本的全局信息。仿真實驗結果表明，TLDA方法具有比傳統(tǒng)基于半監(jiān)督學習的特征降維方法更好的識別性能。
　　最后，針對傳統(tǒng)構圖方法沒有利用類標信息的不足，將有監(jiān)督無向圖和K近鄰圖同時投影到新特征空間中，得到了一種新的有監(jiān)督投影圖。進一步，將有監(jiān)督投影圖和類間無向圖相結合，提出了一種直推式局部保持投影算法(TLPP)，有效地保持了全部樣本的局部結構信息。仿真實驗結果