基于流形学习的降维算法及其在人脸识别中的应用

发布时间：2021-01-20 04:18

　　信息化技术的快速发展为教育技术研究提供了重要的技术支持,而这些技术的研究也推动了教育技术的提升与发展。基于这样的研究思路,我们对信息技术中与认知科学相关的最新重要热点——基于流形学习的降维技术进行研究,并在人脸识别中进行了应用。信息化技术面临的一个技术难点就是高维数据。当前,提取数据的高维特性是一个重要的研究热点。高维数据的非结构化信息使得提取的样本数据内在规律超出人们的直接感知能力,因此研究学者提出众多数据降维算法,其中基于流形学习的降维技术是备受关注的数据降维手段之一。流形学习提出于二十世纪末期,被人脸识别、数据可视化、图形检索等领域认同,其非线性本质、几何直观性和计算可行性在实际数据集上都取得了令人满意的结果。但在泛化学习、监督学习和大规模流形学习等一些普遍性的问题中流形学习仍然有着很大的研究空间。本文结合流形学习方法的研究现状和高维数据的结构特性,从算法的改进和应用（图像数据与人脸识别技术相互作用数据）等方面展开了一系列研究工作,主要工作及研究内容总结如下:（1）结合现有的数据降维方法,对广泛被应用的典型流形学习算法从局部保持流形学习和全局保持流形学习两类算法进行研究。对算法的... 

【文章来源】：辽宁师范大学辽宁省

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

极限学习机网络示竟图

ＭＤＳ仅仅将两个数据点看作近邻点，忽略了样本沿着流形的距离要远大于输入距离的??现实情况。??ＩＳＯＭＡＰ首先使用近邻图中最短路径得到近似的测地线距离（如图２．１所示）代替??不能表示内在流形结构的欧氏距离，然后应用ＭＤＳ算法发现嵌入在高维空间的低维坐??标，从而保留数据固有的非线性几何结构。此技术过度依附相邻数值的确定，ＩＳＯＭＡＰ??算法的拓扑稳定性受不同选取方法影响，因此邻域的选取是至今未攻克的课题。??－７?－??

Ｍａｘ?ｔｒ｛Ｋ）??Ｋ??（１?＝?｜｜；ｃ，?｜｜２，如果＾和；＾为近邻点??以（２）认＝０??？Ｊ??１（３）／：２?０，即半正定?（低维嵌入坐标??积矩阵Ａ：的特征分解，求得其最大的Ｊ个特征值所对应的特征向量，。??在于可以结合ＳＤＰ代替测地线距离的使用，且对非凸流形的问题两点都是ＩＳＯＭＡＰ所不具备的。??持的流形算法??性嵌入法（ＬＬＥ）??下图２．２所示）表示非线性数据在一定范围内是线性分布的，对每点的权值系数保持不变。??ｏ?。°。?。。？上?①寻找进邻??

【参考文献】：
期刊论文
[1]正交判别的线性局部切空间排列的人脸识别[J]. 李勇周,罗大庸,刘少强.  中国图象图形学报. 2009(11)
[2]基于线性判别局部保留映射的人脸表情识别[J]. 支瑞聪,阮秋琦.  信号处理. 2009(02)
[3]局部保持的流形学习算法对比研究[J]. 曾宪华,罗四维.  计算机工程与应用. 2008(29)
[4]一种有监督的LPP算法及其在人脸识别中的应用[J]. 张志伟,杨帆,夏克文,杨瑞霞.  电子与信息学报. 2008(03)

硕士论文
[1]基于极限学习机的分类问题研究与应用[D]. 王博林.辽宁师范大学 2018
[2]基于局部保留投影的人脸特征提取研究[D]. 冯歌.哈尔滨工业大学 2008



本文编号：2988355