半监督边缘判别嵌入与局部保持的维度约简-计算机系统应用.pdfVIP

计 算 机 系 统 应 用 2014 年 第 23 卷 第 10 期 ① 半监督边缘判别嵌入与局部保持的维度约简 兰远东, 高 蕾, 曾少宁, 曾树洪 (惠州学院 计算机科学系, 惠州 516007) 摘 要: 为了对高维数据进行降维处理, 提出了半监督学习的边缘判别嵌入与局部保持的维度约简算法. 通过最小 化样本与其所属类别的中心点之间的距离, 使得样本在投影子空间中能够保持其领域的拓扑结构; 再通过最大化 不同类别边缘间的距离, 使得类别间的分离度在投影子空间中得到增强. 实验结果表明: 半监督边缘判别嵌入与局 部保持的维度约简算法能够获得初始特征空间的较好的投影子空间. 关键词: 降维; 半监督学习; 局部保持; 分类; 机器学习 Semi Supervised Marginal Discriminant Embedding and Local Preserving for Dimensionality Reduction LAN Yuan-Dong, GAO Lei, ZENG Shao-Ning, ZENG Shu-Hong (Department of Computer Science, Huizhou University, Huizhou 516007, China) Abstract: In order to reduce the dimension of high-dimensional data, raised edge semi-supervised marginal discriminant embedding and local preserving algorithm for dimensionality reduction is proposed. By minimizing the distance between sample and the center of its category, the local topology of samples is maintained in the projection subspace. And by maximizing the distance between the edges of different categories, the inter scatter of classes is increased in the projection subspace. Experimental results show that the dimensionality reduction algorithm of semi supervised marginal discriminant embedding and local preserving can get a better projection subspace of the initial feature space. Key words: dimensionality reduction; semi supervised learning; local preserving; classification; machine learning 在对高维复杂数据直接进行分类时, 分类器的时 个 新 的 半 监 督 维 度 约 简 算 法 : Marginal Fisher 间复杂度往往难以接受[1,2]. 而且有些分类算法在低维 Analysi(MFA)[6]. MFA 使用本征图来描述类内样本之 数据中表现良好, 但在高维数据中却表现较差. 因此 间的紧致关系, 每个样本与其同类近邻样本相连. 但 在对高维数据进行分类前, 对数据的维度进行合适的 是 MFA 不能够保证样本的近邻在降维后仍然保持原 约简就显得非常重要[3,4]. 始的结构. Roweis 和 Saul[7] 引入了局部线性嵌入