LLE方法的分类与研究

对于低维数据的分类很常见,但是对于高维数据的分类却不多,主要是因为维度太高.尤其对于分布不均匀的样本集,传统的局部线性嵌入算法易受到近邻点个数的影响,为了克服这一问题,提出改进距离的局部线性嵌入算法.通过实验表明,改进距离的局部线性嵌入算法能使原来的样本集尽可能的分布均匀,从而降低近邻点个数的取值对局部线性嵌入的影响,在保证分类准确的前提下,达到了有效缩短时间的目的.

基于Isomap降维的噪声处理算法

由于非线性降维方法对高维数据中存在的噪声比较敏感,导致最终的分类效果比较差.为了弥补其不足,在首先使用极大似然估计方法估测出样本数据本征维度的前提下,提出一种结合等距特征映射与主成分分析的方法.一方面能够使原始数据保持其在高维空间的几何结构,另一方面可以消除噪声对降维结果的影响,最终使得低维数据尽可能的保持原始样本数据集的内在特征.通过实验论证表明,该组合方法的效果比单独直接使用等距特征映射和主成分分析算法的效果都要好.