基于半监督流形学习的WLAN室内定位算法

针对无线局域网室内定位系统中,因参考点密集布设而带来的数据采集、更新及定位匹配运算量增加的问题,提出了一种新的基于半监督流形学习的降维判别嵌入定位算法。该算法利用少量已标记数据和部分未标记数据,通过求解目标函数最优化,对高维接收信号进行维数约减,保留最具判别力的定位特征,然后采用确定性定位算法找到定位特征与位置坐标的映射关系。实验结果表明,算法定位精度高于传统的定位算法,降低了离线阶段的数据采集工作量,便于后期数据库的实时更新。

半监督流形学习及其在遥感影像分类中的应用

为了有效利用已标记与未标记样本提高遥感影像分类精度,提出了一种新的半监督流形学习方法-半监督流形鉴别嵌入法(SSMDE)。该方法利用标记样本的类别信息构建类内图和类间图来表征样本数据的类别联系,并计算相应的权重矩阵;利用标记和未标记数据构建全局散度矩阵来表征数据的整体结构。在此基础上,通过优化目标函数得到投影矩阵,在保持特征空间中数据整体结构的前提下,使同类数据点之间保持近邻关系、不同类数据点的距离尽可能大。在人工数据集和遥感影像上的实验结果表明,SSMDE分类率为92.36%,且分类结果与政府统计数据之间的误差均小于5%。该方法通过有效利用少量标记样本和大量无标记样本实现半监督学习,有效提高了遥感影像的分类精度。

面向高光谱图像分类的半监督丛流形学习

考虑高光谱遥感数据集多类别非线性的特点,本文假设高光谱遥感数据集具有丛流形结构属性,提出了一种半监督丛流形学习（SSBML）算法来有效提取高光谱遥感图像的鉴别特征。该算法利用标记样本和无标记样本构建两个近邻关系图来保持数据集中丛流形的＂整体＂结构（各个子流形之间的相互关系）和每个子流形的内蕴结构特征,实现半监督的丛流形学习。在肯尼迪航天中心（KSC）和帕维亚大学（PaviaU）高光谱数据集上的实验结果表明：该算法可以发现高光谱遥感数据集中丛流形结构的精细特征,有效提升高光谱遥感图像的分类精度。实验显示：该算法的总体分类精度比单一流形假设的局部保形投影（LPP）和邻域保持嵌入（NPE）算法提升了约2.9%~15.7%,比半监督最大边界准则（SSMMC）和半监督流形保持嵌入（SSSMPE）等半监督算法提升了约2.6%~12.4%。