局部线性嵌入算法LLE(Locally Linear Embedding)是一种有效的非线性降维方法,但是该算法没有考虑样本的类别标签,并且欧式距离无法精确表示非线性数据的流形结构。针对以上LLE方法的缺陷,提出一种结合测地距离与样本类别信息的监督型LL...局部线性嵌入算法LLE(Locally Linear Embedding)是一种有效的非线性降维方法,但是该算法没有考虑样本的类别标签,并且欧式距离无法精确表示非线性数据的流形结构。针对以上LLE方法的缺陷,提出一种结合测地距离与样本类别信息的监督型LLE算法(ISO-SPLLE)。首先在LLE算法的近邻选择中使用测地距离作为相似性度量,然后利用极限学习机求出其映射函数后进行分类测试。将ISO-SPLLE算法与其他改进的LLE算法在UIC标准数据集与基因数据集上进行对比实验,结果表明,该方法对已知类别的数据能更有效地进行降维与识别。展开更多
采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键...采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键。然而,关于K值的设置,目前尚无一个行之有效的方案。针对这一问题,文中基于监督型特征提取的思想,从"线性预测误差均值最小化"的角度出发,提出了一个监督型参数设置方法。同时,为了验证该方法的可行性和优越性,结合两个实验区Hyperion影像关于第26至57波段包含的32维光谱数据,进行了降维实验。最后,通过分析对比实验结果,证明了:采用LLE算法进行高光谱影像数据降维时,若依据文中所提方法设置的K值,能获得噪声点少且地物细节信息更加丰富的低维影像数据。展开更多
文摘局部线性嵌入算法LLE(Locally Linear Embedding)是一种有效的非线性降维方法,但是该算法没有考虑样本的类别标签,并且欧式距离无法精确表示非线性数据的流形结构。针对以上LLE方法的缺陷,提出一种结合测地距离与样本类别信息的监督型LLE算法(ISO-SPLLE)。首先在LLE算法的近邻选择中使用测地距离作为相似性度量,然后利用极限学习机求出其映射函数后进行分类测试。将ISO-SPLLE算法与其他改进的LLE算法在UIC标准数据集与基因数据集上进行对比实验,结果表明,该方法对已知类别的数据能更有效地进行降维与识别。
文摘采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键。然而,关于K值的设置,目前尚无一个行之有效的方案。针对这一问题,文中基于监督型特征提取的思想,从"线性预测误差均值最小化"的角度出发,提出了一个监督型参数设置方法。同时,为了验证该方法的可行性和优越性,结合两个实验区Hyperion影像关于第26至57波段包含的32维光谱数据,进行了降维实验。最后,通过分析对比实验结果,证明了:采用LLE算法进行高光谱影像数据降维时,若依据文中所提方法设置的K值,能获得噪声点少且地物细节信息更加丰富的低维影像数据。