稀疏保持投影(SPP)是一种基于l1图的新型降维算法,它利用样本间的稀疏重构关系建图,但是SPP为非监督算法,分类效果受到限制。针对此问题,本文提出了一种新的稀疏流形学习算法-稀疏鉴别嵌入(SDE)。该算法在利用样本的稀疏重构关系建图时...稀疏保持投影(SPP)是一种基于l1图的新型降维算法,它利用样本间的稀疏重构关系建图,但是SPP为非监督算法,分类效果受到限制。针对此问题,本文提出了一种新的稀疏流形学习算法-稀疏鉴别嵌入(SDE)。该算法在利用样本的稀疏重构关系建图时引入了样本的类别信息,并通过优化目标函数来得到投影矩阵,使得不同类的数据点在低维嵌入空间中尽可能地分散开。SDE通过结合数据稀疏性及类间流形结构的优点,不仅保留样本间的稀疏重构关系,而且通过引入训练样本的类别信息实现稀疏鉴别特征提取,更有利于分类。在Urban和Washington DC Mall数据集上的实验结果表明:SDE算法比其他算法的分类性能有明显的提升,在每类随机选取16个训练样本的情况下,SDE算法的分类精度分别达到了73.47%和98.35%。展开更多
为了有效利用已标记与未标记样本提高高光谱遥感影像分类精度,提出一种新的半监督流形学习方法——半监督稀疏鉴别嵌入算法(SSDE)。该算法结合了近邻流形结构及稀疏性的优点,不仅保留样本间的稀疏重构关系,而且通过引入少量有标记的训...为了有效利用已标记与未标记样本提高高光谱遥感影像分类精度,提出一种新的半监督流形学习方法——半监督稀疏鉴别嵌入算法(SSDE)。该算法结合了近邻流形结构及稀疏性的优点,不仅保留样本间的稀疏重构关系,而且通过引入少量有标记的训练样本以及大量无标记训练样本来获得高维数据的内在属性以及低维流形结构,实现鉴别特征提取,提高分类精度。在Washington DC Mall和Indian Pine数据集上的分类识别实验表明,该算法能够较为有效地发现高维空间中数据的内蕴结构,分类性能比其他算法有明显的提升。在随机选取8个有类别标记和60个无类别标记的数据作为训练样本的情况下,本文提出的SSDE算法在上述两个数据集上的分类精度分别达到了77.36%和97.85%。展开更多
文摘稀疏保持投影(SPP)是一种基于l1图的新型降维算法,它利用样本间的稀疏重构关系建图,但是SPP为非监督算法,分类效果受到限制。针对此问题,本文提出了一种新的稀疏流形学习算法-稀疏鉴别嵌入(SDE)。该算法在利用样本的稀疏重构关系建图时引入了样本的类别信息,并通过优化目标函数来得到投影矩阵,使得不同类的数据点在低维嵌入空间中尽可能地分散开。SDE通过结合数据稀疏性及类间流形结构的优点,不仅保留样本间的稀疏重构关系,而且通过引入训练样本的类别信息实现稀疏鉴别特征提取,更有利于分类。在Urban和Washington DC Mall数据集上的实验结果表明:SDE算法比其他算法的分类性能有明显的提升,在每类随机选取16个训练样本的情况下,SDE算法的分类精度分别达到了73.47%和98.35%。
文摘为了有效利用已标记与未标记样本提高高光谱遥感影像分类精度,提出一种新的半监督流形学习方法——半监督稀疏鉴别嵌入算法(SSDE)。该算法结合了近邻流形结构及稀疏性的优点,不仅保留样本间的稀疏重构关系,而且通过引入少量有标记的训练样本以及大量无标记训练样本来获得高维数据的内在属性以及低维流形结构,实现鉴别特征提取,提高分类精度。在Washington DC Mall和Indian Pine数据集上的分类识别实验表明,该算法能够较为有效地发现高维空间中数据的内蕴结构,分类性能比其他算法有明显的提升。在随机选取8个有类别标记和60个无类别标记的数据作为训练样本的情况下,本文提出的SSDE算法在上述两个数据集上的分类精度分别达到了77.36%和97.85%。