核判别随机近邻嵌入分析方法 Kernel-Based Discriminative Stochastic Neighbor Embedding Analysis.pdfVIP

第26卷第4期 计算机辅助设计与图形学学报 v01．26No．4 of 2014年4月 Journal Computer—AidedDesignComputerGraphics Apr．2014 核判别随机近邻嵌入分析方法 王万良，邱 虹，黄琼芳，郑建炜+ (浙江工业大学计算机科学与技术学院杭州 310023) (zjw@zjut．edu．cn) 摘要：为了有效地解决非线性特征提取中存在的鉴别效率和样本外问题，最大限度地保持观测信息，并进一步提 高相关方法的降维性能，将核学习的方法应用到判别随机近邻嵌入分析方法中，提出一种核判别随机近邻嵌入分析 方法．通过引入核函数，将原空间中的样本映射到高维核空间中，构建了用于反映同类和异类数据间相似度的联合 间KL散度最大的准则下建立目标泛函．该方法突出了异类样本间的特征差异，使样本变得线性可分，从而提高了分 类性能．在COIL．20图像库和0RL，Yale经典人脸库上进行实验，验证了文中方法的分类鉴别能力． 关键词：判别随机近邻嵌入；基于核函数的方法；数据可视化；非线性特征提取 中图法分类号：TP301．6 Kernel—BasedDiscriminatiVeStochastic NeighborEmbeddingAnalysis Jianwei’ WangWanliang，QiuHong，HuangQiongfang，andZheng (S如ooZ SfiPHfen”d 310023) o，comj》“把r 3J0，n曲no￡ogy，H彻gz^o“ n曲noZogy，Z^巧妇g幽iwrm orderto thediscriminativeandsolvethe which Abstract：Inimprove efficiency out—of—sampleproblem existinnon—linearfeatureextraction，akernel—baseddiscriminativestochastic neighborembedding thekernel whichfurthestmaintainsthe is trick， analysis(KDSNE)methodproposedbyimposing observationinformationand the of reduction．Based effectivelyimprovesperformancedimensionality on method introduceskernelfunctionand thedataintoa DSNE，the high— proposed skillfully maps dimensionalfeature thenit selectsthe tomodelthe similaritie§of space， jointprobab订ity pairwise andusesalinearectionmatrixto low—dimensi