一种新的有监督流形学习方法
提出了一种新的有监督流形学习方法,目的是提供将流形学习降维方法高效应用于有监督学习问题的全新策略.算法的核心思想是集成流形学习方法对高维流形结构数据的降维有效性与支撑向量机(SVM)在中小规模分类数据集上的优良特性实现高效有监督流形学习.算法具体实现步骤为:首先利用SVM在流形学习降维数据中选出对分类决策最重要的数据集,即支撑向量集;按标号返回可得到原空间的支撑向量集;在这个集合上再次使用SVM即可得到原空间的分类决策,从而完成有监督流形学习.在一系列人工与实际数据集上的实验验证了方法的有效性.
流形学习方法、支撑向量机、等距特征映射、局部线性嵌入、分类
44
TP391.4(计算技术、计算机技术)
国家自然科学基金70531030;60575045
2008-03-17(万方平台首次上网日期,不代表论文的发表时间)
共6页
2072-2077