高维数据的几种非线性降维改进方法研究与应用

发布时间：2021-03-01 12:17

　　高维数据是高新科学技术的重要产物,由于科学技术的进步使得高维数据收集变得越来越容易,如生物基因数据、市场经济数据、文本文档数据、数字图像数据等,这些数据蕴藏的巨大价值已经逐渐被人们认可.然而直接对高维数据进行处理是很困难的,非线性降维技术作为数据挖掘应对海量高维数据的一种非常重要的数据预处理方法,对这些数据进行有效降维之后可以将高维数据转换为一个更紧凑的低维表示,从而得到隐藏在高维数据集中有意义的低维数据结构,提取出数据主干信息.因此,要研究出高效、准确的高维数据非线性降维方法具有重要的理论意义和实际应用价值.本文主要在参与高维数据的非线性降维改进方法理论研究的同时,结合人脸图像数据,开展以下三个方面的研究工作:1.针对局部线性嵌入算法中欧氏距离不适用于非线性高维数据近邻点的查找等缺点,结合测地线距离和Rank-order距离各自特点提出了基于Geodesic Rank-order距离的局部线性嵌入算法,并通过ORL人脸数据库和Yale人脸数据库上的对比实验验证了该算法的优越性.2.利用部分样本的类标签信息重新调整相似性度量方式,提出了基于测地线距离的类标签信息半监督局部线性嵌入算法,... 

【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

单隐层前馈神经网络结构

LLE算法具体步骤（3）求低维嵌入Y通过得到的权值矩阵W，找到每个数据点的低维嵌入坐标dyR，使重构误差

半监督学习流程图

【参考文献】：
期刊论文
[1]改进重构权值的局部线性嵌入算法[J]. 刘方原,夏克文,牛文佳.  中国图象图形学报. 2018 (01)
[2]基于RPCA对高维数据子空间聚类的预测方法[J]. 吕红伟,王士同.  计算机工程与科学. 2017(03)
[3]基于Log-Gabor滤波与黎曼流形学习的图像识别算法[J]. 刘元,吴小俊.  模式识别与人工智能. 2015(10)
[4]基于测地距离与极限学习机的监督型LLE算法研究[J]. 金伟,何灵敏,杨小兵,王康健.  计算机应用与软件. 2015(07)
[5]半监督学习方法[J]. 刘建伟,刘媛,罗雄麟.  计算机学报. 2015(08)
[6]半监督局部线性嵌入算法在人脸识别中的应用[J]. 沈杰,杨月全,王正群,唐拥政,王明辉.  盐城工学院学报(自然科学版). 2014(02)
[7]基于流形学习的基因微阵列数据分类方法[J]. 李强,石陆魁,刘恩海,王歌.  郑州大学学报(工学版). 2012(05)
[8]半监督降维方法的实验比较[J]. 陈诗国,张道强.  软件学报. 2011(01)
[9]基于流形学习的基因表达谱数据可视化[J]. 肖传乐,曹槐.  生物信息学. 2009(01)
[10]基于半监督流形学习的人脸识别方法[J]. 黄鸿,李见为,冯海亮.  计算机科学. 2008(12)

硕士论文
[1]高维数据降维及其在图像识别中的应用[D]. 甘炎灵.华中师范大学 2017
[2]局部线性嵌入算法的改进及其在人脸识别中的应用[D]. 张强.重庆理工大学 2017
[3]高维数据聚类中的神经网络降维方法研究[D]. 侯小丽.兰州大学 2015
[4]监督型流形学习在模式识别中的研究[D]. 金伟.中国计量学院 2015
[5]半监督流形学习算法研究和应用[D]. 李昱.西安电子科技大学 2010



本文编号：3057466