《一种新的基于最大边缘准则的监督流形学习方法.》.pdfVIP

第 41卷 第 4期 计 算 机 科 学 Vo1．41NO．4 2014年 4月 Computer Science Apr2014 一 种新的基于最大边缘准则的监督流形学习方法 袁 臀 杨瑞 国。 原 媛。 雷迎科。 (合肥学院网络与智能信息处理重点实验室 合肥 230022) (电子工程学院 合肥 230037)。 摘 要 在深入研究局部样条嵌入算法(LSE)的基础上，引入明确的线性映射关系，构建平移缩放模型和正交化特征 子空间，提 出了一种正交局部样条判别投影算法(O-LsDP)，有效解决了原始 LSE算法存在的两介主要问题：样本外 点学习问题和无监督模式学习问题。该算法能够应用于模式分类问题并显著改善算法的分类识别能力。在标准人脸 数据库上进行的实验比较分析验证了该算法的有效性与可行性。 关键词 特征提取，子空间学习，局部样条嵌入 ，最大边缘准则，流形学习 中图法分类号 TP181 文献标识码 A New SupervisedM anifoldLearningM ethodBasedonM MC YUAN Min YANGRui-guo YUAN Yuan~ LEIYing-ke (Key1．abofNetworkandIntelligentInformationProcessing，HefeiUniversity，Hefei230022，China) (ElectronicEng ineering Institute，Hefei230037，China)。 Abstract Basedontheanalysisoflocalsplineembedding(LqE)method，weproposedanefficientfeatureextractional— gorithm calledorthogonallocalsplinediscriminantprojection(O-LSDP)．Byintroducinganexplicitlinearmapping，con— struttingdifferenttranslationandresealingmodelsfordifferentclassesaswellasorthogonalizingfeaturesubspace，O- LSDPcaneffectivelycircumventthetwomajorshortcomingsoftheoriginalIN[algorithm，i．e．，out-of-sampleandun- supervisedlearning．O-I~DP notonlyinheritstheadvantagesofLSEwhichuseslocaltangentspaceasarepresentation ofthelocalgeometrysoastopreservethelocalstructure，butalsomakesful1useofclassinformationandorthogonal subspacetOsignificantlyimprovediscriminantpower．Extensiveexperimentsonstandardfacedatabasesandplant1eaf datasetverifythefeasibilityandeffectivenessoftheproposedalgorithm． Keywords Featureextraction，Subspacelearning，Localsplineembedding，Maximum margincriterion，Ma nifoldlaerning 过线性化、核化和张量化扩展来提高流形学习的样本外点学 1 引言