一种局部化的线性流形自组织映射
提出一种局部化的线性流形自组织映射方法,可自主学习高维向量空间中的一组有序的低维线性流形.与现有的基于Kohonen的自适应子空间自组织映射网络(Adaptive-subspace self-organizing map,ASSOM)方法相比较,本文方法有效地克服了流形表达中出现的数据混淆现象,网络中各神经元渐近学习各自区域内样本数据的平均向量和主元了空间,数据表达更加清晰可辨.实验中,新方法对数据簇的分类准确率明显优于参与对比的其他三种方法,其对手写体数字识别的准确率在MNIST训练集和测试集上分别达到了98.26%和97.46%.
自组织映射、流形学习、手写体数字识别
34
TP391(计算技术、计算机技术)
国家自然科学基金60473109;中山大学青年教师科研启动基金3171910
2008-11-27(万方平台首次上网日期,不代表论文的发表时间)
共7页
1298-1304