基于配对约束核半监督非线性降维算法.pdfVIP

基于配对约束的核半监督非线性降维算法· 张召1，业宁。2，业巧林’ 1(南京林业大学，信息科学技术学院，江苏，南京。210037) 2(山东大学，计算机科学与技术学院，山东，济南，250100) 3(南京理工大学，计算机系，江苏，南京，210094) E·mail：zh砌ao_618@163．C01 摘要：降维是在损失较少信息的情况下处理赢维图像数据的关键技术，是赢维数据预处理的重要步骤。本 文研究了基于配对约束和混合核函数的半监督非线性降维方法KYDg该方法可有效利用标签和未标签的 样本执行半监督学习。基于配对约束形式的领域知识被用于判断当前样例是属于相同类(相似约束)还是 不同类(不相似约束)。．1if舅鲫先将样本数据投影成一系列。有用的”特征形式，同时保持原始数据以及定 义在投影后的低维特征空间中的相似约束与不相似约束下样本的内部结构特征，使样本在投影空间中容易 有效地区分。通过大量的分类任务和数据可视化研究．结果表明，当样本数据的维数被减少到一个较低的 水平时，KYOR的性能表现的更为优越，几乎总是取得较高的分类精确，随着投影维数的不断变化，算法体 现出广泛的适应性和良好的学习能力。在相同的测试条件下，量妒明算法运行花费较少时同，其整体性能 甚至优于典型的PCA，KPcA和KFD方法。 关键词：半监督学习；维数减少；配对约束；特征空间 Kernel ReductionwithPairwiseConstraints Dimensionality Semi-Supervised 3 ZHANGZhao 1，YE n，YE Ning Qiao—lin 1School ForestryUniversity,Nanfing,210037,China ofInformationTechnology,Nanjing ‘School Scienceand ofComputer Technology,ShandongUniversity,Jinan，250100,China University 210094,China DepartmentofComputerScience．NanjingofScience＆Technology,Nanjing reductionisoneof interestsin with datawithout Abstract：Dimensionalitykey dealinghig}l-dimensionalimage isall in data intrinsicinformation．which high-dimensional losing importantpreprocessingstep analysis．The with calledKSDRiS to the of reductionkernels considered problemsemi．superviseddimensionality exploit this intheformof constraintsiS to unlabeled