基于譜圖理論的非線性流形學習算法研究.pdf

1、碩士學位論文論文題目基于譜圖理論的非線性流形學習算法研究研究生姓名鄭剛民指導教師姓名馬小虎教授專業(yè)名稱計算機應用技術研究方向圖像處理與模式識別論文提交日期2013年4月基于譜圖理論的非線性流形學習算法研究中文摘要I基于譜圖理論的非線性流形學習算法研究中文摘要隨著科學技術的高速發(fā)展，人們獲取數據的渠道越來越多，數據維數也急劇膨脹，如何對這些海量數據進行維數約簡，從中提取對人們有用的信息，成為模式識別及機器學習等領域的關注重點。本文重點研究

2、了維數約簡方法中基于譜圖理論的非線性流形學習算法，詳細分析了幾種現有的經典算法，并對其不足之處進行了改進，進而提出了兩種高效的特征提取方法。本文的主要貢獻及創(chuàng)新如下：1)詳細介紹了流形學習算法的研究背景及國內外研究現狀，對現有的經典算法進行總結，分析了其優(yōu)缺點。2)在局部鄰域嵌入(LocalNeighbhoodEmbedding，LNE)算法中，傳統(tǒng)鄰域樣本的選取方法會導致偽樣本的產生。另外，LNE算法是一種非線性流形學習方法，存在樣本

3、外問題，同時它還忽略了樣本的類別信息，所提取的特征信息存在冗余。針對這些問題，提出了不相關判別局部鄰域嵌入(UncrelatedDiscriminantLocalNeighbhoodEmbedding，UDLNE)算法，該算法首先將LNE算法線性化，然后在目標函數中融合了樣本的類別信息，有效地分離了同類樣本和異類樣本，并且通過添加不相關限制，極大減少了特征信息的冗余。該方法是一種線性的監(jiān)督算法，能夠有效地提取樣本特征，具有較高的識別率。

4、3)正切空間判別分析(TangentSpaceDiscriminantAnalysis，TSDA)算法是一種監(jiān)督的流形學習算法，該算法在保持樣本的類內局部幾何結構的同時最大化類間差異，極大地增強了算法的判別性。然而，TSDA算法只是一種線性方法，不能很好地發(fā)掘出數據的非線性特征，同時由于小樣本問題的存在和距離度量結構的破壞，進一步削弱了算法的性能。針對這些問題，提出了核正交判別局部正切空間對齊(KernelthogonalDiscrim