10.3969/j.issn.1006-9348.2007.03.028
一种在源数据稀疏情况下的流形学习算法研究
传统的流形学习算法能有效地学习出高维采样数据的低维嵌入坐标,但也存在一些不足,如不能处理稀疏的样本数据.针对这些缺点,提出了一种基于局部映射的直接求解线性嵌入算法(Solving Directly Linear Embedding,简称SDLE).通过假定低维流形的整体嵌入函数,将流形映射赋予局部光滑的约束,应用核方法将高维空间的坐标投影到特征空间,最后构造出在低维空间的全局坐标.SDLE算法解决了在源数据稀疏情况下的非线性维数约简问题,这是传统的流形学习算法没有解决的问题.通过实验说明了SDLE算法研究的有效性.
流形学习、局部映射、核方法
24
TP181(自动化基础理论)
2007-04-23(万方平台首次上网日期,不代表论文的发表时间)
共4页
104-106,168