流形学习方法可以发现嵌入于高维观测数据中的低维流形结构,但是传统的流形学习算法都是假设所有数据位于单一流形上,忽略了高维数据中不同的子集可能存在不同的流形.针对上述问题,本文提出一种监督多流形鉴别嵌入的维数约简方法,并应...流形学习方法可以发现嵌入于高维观测数据中的低维流形结构,但是传统的流形学习算法都是假设所有数据位于单一流形上,忽略了高维数据中不同的子集可能存在不同的流形.针对上述问题,本文提出一种监督多流形鉴别嵌入的维数约简方法,并应用于高光谱遥感影像分类.该方法首先利用样本数据的类别标签进行多子流形划分,在此基础上采用图嵌入理论构造流形内图和流形间图,然后通过最小化流形内距离同时最大化流形间距离以增强类内数据聚集性和类间数据分散性,提取低维鉴别特征,改善地物分类性能.在University of Pavia(PaviaU)和Kennedy Space Center(KSC)高光谱数据集上的实验表明,相较于其他单流形算法和多流形算法,该方法取得了更高的分类精度,在随机选取2%训练样本时,其总体分类精度分别达到88.04%和84.53%,有效提升了地物分类性能.展开更多
针对LMMDE算法存在的缺陷,提出了余弦度量的多流形最大间距鉴别保持嵌入算法(Multi-manifold Maximal Margin Discriminant Preserving Embedding based on Cosine M easure,CM M M M DPE).该算法首先利用多流形思想将原始样本集中的每...针对LMMDE算法存在的缺陷,提出了余弦度量的多流形最大间距鉴别保持嵌入算法(Multi-manifold Maximal Margin Discriminant Preserving Embedding based on Cosine M easure,CM M M M DPE).该算法首先利用多流形思想将原始样本集中的每个样本分成若干个局部小块样本,形成一个多流形的样本空间.在为流形内的每个局部小块样本确定类间邻域和类内邻域时,采用余弦距离代替欧式距离的度量方式.定义了加权的类间邻域散布矩阵和类内散布矩阵,来描述整个多流形空间中样本之间的相似度,通过相应的准则函数为每个样本流形找到最优投影矩阵,对每个样本流形降维到更低维流形空间中,最后通过计算测试样本流形与训练样本流形的距离来判定测试样本的类别归属.通过在多个人脸库上的实验,验证了本文方法的有效性.展开更多
针对非监督线性差分投影(unsupervised linear differential projection,ULDP)在特征提取过程中存在的不足,提出了基于多流形的非监督线性差分投影(multi-manifold unsupervised linear differential projection,MULDP)算法,并将其应用...针对非监督线性差分投影(unsupervised linear differential projection,ULDP)在特征提取过程中存在的不足,提出了基于多流形的非监督线性差分投影(multi-manifold unsupervised linear differential projection,MULDP)算法,并将其应用于人脸识别中。MULDP首先构造出多流形局部近邻图和多流形最大全局方差,然后通过多目标最优化问题求解出嵌入在高维空间的低维流形。这种映射不仅能表示全局结构,还能表示局部结构。该算法可以得到嵌入在高维空间的低维流形,更好地实现了局部与全局结构信息的有效保持。在ORL、Yale及AR人脸库上的实验结果验证了所提算法的优越性。展开更多
文摘流形学习方法可以发现嵌入于高维观测数据中的低维流形结构,但是传统的流形学习算法都是假设所有数据位于单一流形上,忽略了高维数据中不同的子集可能存在不同的流形.针对上述问题,本文提出一种监督多流形鉴别嵌入的维数约简方法,并应用于高光谱遥感影像分类.该方法首先利用样本数据的类别标签进行多子流形划分,在此基础上采用图嵌入理论构造流形内图和流形间图,然后通过最小化流形内距离同时最大化流形间距离以增强类内数据聚集性和类间数据分散性,提取低维鉴别特征,改善地物分类性能.在University of Pavia(PaviaU)和Kennedy Space Center(KSC)高光谱数据集上的实验表明,相较于其他单流形算法和多流形算法,该方法取得了更高的分类精度,在随机选取2%训练样本时,其总体分类精度分别达到88.04%和84.53%,有效提升了地物分类性能.
文摘针对LMMDE算法存在的缺陷,提出了余弦度量的多流形最大间距鉴别保持嵌入算法(Multi-manifold Maximal Margin Discriminant Preserving Embedding based on Cosine M easure,CM M M M DPE).该算法首先利用多流形思想将原始样本集中的每个样本分成若干个局部小块样本,形成一个多流形的样本空间.在为流形内的每个局部小块样本确定类间邻域和类内邻域时,采用余弦距离代替欧式距离的度量方式.定义了加权的类间邻域散布矩阵和类内散布矩阵,来描述整个多流形空间中样本之间的相似度,通过相应的准则函数为每个样本流形找到最优投影矩阵,对每个样本流形降维到更低维流形空间中,最后通过计算测试样本流形与训练样本流形的距离来判定测试样本的类别归属.通过在多个人脸库上的实验,验证了本文方法的有效性.
文摘针对非监督线性差分投影(unsupervised linear differential projection,ULDP)在特征提取过程中存在的不足,提出了基于多流形的非监督线性差分投影(multi-manifold unsupervised linear differential projection,MULDP)算法,并将其应用于人脸识别中。MULDP首先构造出多流形局部近邻图和多流形最大全局方差,然后通过多目标最优化问题求解出嵌入在高维空间的低维流形。这种映射不仅能表示全局结构,还能表示局部结构。该算法可以得到嵌入在高维空间的低维流形,更好地实现了局部与全局结构信息的有效保持。在ORL、Yale及AR人脸库上的实验结果验证了所提算法的优越性。