基于流形學(xué)習(xí)的特征提取.pdf

1、隨著科學(xué)技術(shù)的迅速發(fā)展，用于度量模式的變量個(gè)數(shù)越來(lái)越多，如何有效地在低維空間描述模式，提取出有用的信息，是目前需要解決的核心問(wèn)題之一。在眾多的方法中，子空間分析已成為目前非常活躍的研究方向之一。論文從子空間分析中的最佳描述子空間和流形學(xué)習(xí)技術(shù)入手，深入研究了基于圖論的流形學(xué)習(xí)。
　　 論文主要內(nèi)容和貢獻(xiàn)如下：
　　 1.針對(duì)二維局部保持投影(Two-dimensional Locality Preserving Proi

2、ection，2DLPP)不能較好地保持模式之間的差異信息，導(dǎo)致性能不是足夠的好等問(wèn)題，提出了融合局部相似信息和差異信息的二維保持投影(Two-dimensional Local Similarity and Diversity Preserving Projection，2DLSDPP)。2DLSDPP分別利用兩個(gè)加權(quán)鄰接圖描述模式之間的相似信息和差異信息；在此基礎(chǔ)上，給出了度量模式差異信息和相似信息的離散度，然后通過(guò)最小化相似離散度

3、和最大化差異離散度準(zhǔn)則提取特征。實(shí)驗(yàn)結(jié)果證實(shí)了所提方法的有效性。
　　 2.針對(duì)2DLSDPP沒(méi)有考慮模式類(lèi)別信息，不能較好地描述同類(lèi)模式之間的相似信息等缺點(diǎn)，提出了融合局部相似信息和差異信息的二維監(jiān)督保持投影(Two-dimensional Supervised Local Similarity and Diversity Preserving Projection，2DSLSDPP)。與2DLSDPP不同，該算法在描述模式相

4、似信息時(shí)，利用了模式的類(lèi)別信息；然后通過(guò)最小化相似離散度和最大化差異離散度獲取投影方向。
　　 3.提出了融合局部相似信息和差異信息的二維判別投影(Two-dimensional Discriminating Projection Based on Local Similarity and Diversity,2DDLSDP)。該算法在訓(xùn)練集上定義了兩個(gè)加權(quán)鄰接圖——相似鄰接圖和差異鄰接圖，分別描述了模式之間的相似信息和差異信息