半监督有局部差异的图嵌入算法.pdf

《半监督有局部差异的图嵌入算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、144传感器与微系统(TransducerandMicrosystemTechnologies)2014年第33卷第7期半监督有局部差异的图嵌入算法梁兴柱，林玉娥，林玉荣(1．安徽理工大学计算机科学与工程学院，安徽淮南232011；2．哈尔滨工业大学航天学院，黑龙江哈尔滨150001)摘要：针对已有基于图嵌入的半监督算法的缺点，提出了一种半监督有局部差异的图嵌入算法。算法的思想是在保持数据的几何结构同时，最大化样本的差异信息，可有效地防止过学习问题。为了解决小样本问题，采用了差形式的目标函数，并通过参数来调整两部分样本所起作用的大小。最后在ORL和UM1ST人脸库上进行了实验，实

2、验结果明显优于已有2种经典算法的识别结果，最优时识别率提高了2．25％和2．23％。关键词：半监督算法；差异；过学习问题；小样本问题中图分类号：TP391．4文献标识码：A文章编号：1000-9787(2014)07-0144-O3Semi—supervisedlocaldiversitygraphembeddingalgorithmLIANGXing．zhu，LINYu—e，LINYu．rong2(1．SchoolofComputerScience&Engineering。AnhuiUniversityofScienceandTechnology，Huainan232011，C

3、hina；2．SchoolofAstronautics，HarbinInstituteofTechnology，Harbin150001，China)Abstract：Aimingattheshortcomingsofsemi—supervisedalgorithmbasedongraphembedding，anovelmethodeaUedsemi—supervisedlocaldiversitygraphembeddingalgorithm(SLDGEA)isproposed．Theideaofthisalgorithmpreservesthelocalstructurean

4、dsimultaneouslymaximizesthediversityofdata，SLDGEAcanavoidthedataover—learningproblem．Inordertosolvesmallsampleproblem，SLDGEAadoptsdiferentialformofthecriterionfunction，whichcanadjustsamplesefectofthetwopartsthroughparameters．ExperimentalresultsonORLandUMISTfacedatabasesdemonstratethatSLDGEAis

5、betterthantheexistingtwokindsofclassicalalgorithmsandtheoptimalrecognitionratesareimprovedby2．25％and2．23％．Keywords：semi—supervisedalgorithm；diversity；over—learningproblem；smallsampleproblem0引言投影后比较接近，当邻域内的样本过于接近时，容易造成邻对于人脸识别任务，如何将高维的数据样本降成一个域内样本之间的差异信息丢失，即过学习问题，使得分类性低维的样本是取得良好识别结果的关键一步，这就需要相能

6、不够好，因此，文献[4]则结合信息理论，提出了有监督应的特征提取算法，目前主要包括二大类特征提取算法，一局部差异投影(SLSDP)算法，并取得了较好的识别结果。类是属于无监督的算法，如主成分分析(PCA)⋯和局部保虽然有监督算法能够获得较好的识别性能，但是在现持投影(LPP)算法；另一类是有监督算法，如线性判别分实问题中，更多时候能够获得大量样本，而有类别标签的样析(LDA)”j。通常在人脸识别任务中，当标注类别的样本本却是少量的，因此，半监督学习算法运用而生。这类算法充足时，有监督算法能够获得更好的识别结果。而其中的的目标就是充分利用这些有标签和无标签的数据样本来增LPP算法虽

7、然也是无监督算法，但从理论上讲较PCA算法加分类精确度。如文献[5]对LDA扩展提出的半监督判别更适合分类，并且也比较容易扩展成为有监督算法，因此，分析(SDA)，但是该算法没有用到样本的局部信息，因此，该算法一经提出就受到了广泛的关注。如文献[3]提出的文献[6]和文献[7]分别提出了利用局部信息的半监督算有监督LPP，通过利用样本标签来提高算法的识别性能；但法，但这种只强调局部信息，容易出现过学习问题，且其目是LPP在保持图像之间的局部结构时，使得邻域内的样本标函数存在着小样