一种基于局部结构保持的数据降维方法

张琳

Chinese

您当前的位置：

首页 >

文章列表页 >

一种基于局部结构保持的数据降维方法

更新时间：2026-09-04

- 一种基于局部结构保持的数据降维方法
- A Local Structure Preserving Based Data Dimensionality Reduction Approach
- 微电子学与计算机 2016年33卷第5期页码：76-79
- 作者机构：
  
  遵义师范学院机构计算机与信息科学学院,贵州,遵义,563002
- 作者简介：
- 基金信息：
- DOI：
  中图分类号：
- 纸质出版：2016
- 稿件说明：
移动端阅览
张琳. 一种基于局部结构保持的数据降维方法[J]. 微电子学与计算机, 2016, 33(5): 76-79.

ZHANG Lin. A Local Structure Preserving Based Data Dimensionality Reduction Approach[J]. 2016, 33(5): 76-79.
张琳. 一种基于局部结构保持的数据降维方法[J]. 微电子学与计算机, 2016, 33(5): 76-79. DOI：

ZHANG Lin. A Local Structure Preserving Based Data Dimensionality Reduction Approach[J]. 2016, 33(5): 76-79. DOI：

摘要

针对传统线性回归方法进行数据降维

不能很好地利用数据间几何结构的问题

提出了一种基于局部结构保持的数据降维方法.利用非负约束下的最小二乘构造关系图

从而描述局部近邻几何信息.在将全局结构信息与局部结构信息整合时

设计了一种新的模型选择方法用于模型参数估计

极大地减少了计算量.在公测库ORL、YaleB、USPS、20Newgroup、Isolet上的实验结果表明

该方法用于数据分类时优于ULD、OLDA和NPE等方法.

Abstract

The traditional linear regression method used for data dimensionality reduction failed to capture the geometry structure of data. In order to solve this problem

we present a local structure preserving based data dimensionality reduction. A nonnegative least squares method is introduced to construct the graph

which describe the local neighborhood geometry structure information. For the integrating of global structural information and local structure information integration

we also introduce a new model selection method for model parameter estimation

greatly reducing the cost of computation. Experiments on five benchmark datasets(ORL

YaleB

USPS

20Newgroup and Isolet)show that the proposed approach can achieve better results than ULDA

OLDA and NPE.

关键词

Keywords

references

Ye J, Xiong T. Computational and theoretical analysis of null space and orthogonal linear discriminant analysis[J]. The Journal of Machine Learning Research, 2006(7): 1183-1204. DOI: 1183

Jin Z, Yang J Y, Hu Z S, et al. Face recognition based on the uncorrelated discriminant transformation[J]. Pattern recognition, 2001, 34(7): 1405-1416. DOI: 1405

Niyogi X. Locality preserving projections[C]// Proceedings of NIPS'03. Vancouver, 2003: 153-160.

Belkin M, Niyogi P. Laplacian eigenmaps and spectral techniques for embedding and clustering[C]// Proceedings of NIPS'01. Vancouver, 2001: 585-591.

He X, Cai D, Yan S, et al. Neighborhood preserving embedding[C]//Proceedings of ICCV'05. Beijing, 2005: 1208-1213.

New York Fukunaga K. Introduction to statistical pattern recognition[M]. New York: Academic press, 2013.

Tenenbaum J B, De Silva V, Langford J C. A global geometric framework for nonlinear dimensionality reduction[J]. Science, 2000, 290(5500): 2319-2323. DOI: 2319

Cai D, He X, Han J. Spectral regression: A unified approach for sparse subspace learning[C]//Proceedings of ICDM'07, Omaha, 2007: 73-82.

Roweis S T, Saul L K. Nonlinear dimensionality reduction by locally linear embedding[J]. Science, 2000, 290(5500): 2323-2326. DOI: 2323

New York Jolliffe I. Principal component analysis[M]. New York: John Wiley % Sons, 2002.

Ye J. Least squares linear discriminant analysis[C]// Proceedings of ICML'07. Corvallis, 2007: 1087-1093.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

超低功耗实时时钟电路的设计

低功耗设计的双链电源关断策略的实现与验证

基于改进RT-DETR的航拍小目标检测算法

一种基于特征上下文理解与切片分析的肺结核检测算法

面向处理器分支预测单元的Spectre攻击轻量化防御方法