探析基于流形学习的特征提取

《探析基于流形学习的特征提取》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西安电子科技大学硕士学位论文基于流形学习的特征提取姓名：徐辉申请学位级别：硕士专业：交通信息工程及控制指导教师：高西全20100101摘要随着科学技术的迅速发展，用于度量模式的变量个数越来越多，如何有效地在低维空间描述模式，提取出有用的信息，是目前需要解决的核心问题之一。在众多的方法中，子空间分析已成为目前非常活跃的研究方向之一。论文从子空间分析中的最佳描述子空间和流形学习技术入手，深入研究了基于图论的流形学习。论文主要内容和贡献如下：1．针对二维局部保持投影(Two．dimensionalLocalityPreservingProjection．2DLPP)不能较好地保

2、持模式之间的差异信息，导致性能不是足够的好等问题，提出了融合局部相似信息和差异信息的二维保持投影(Two．dimensionalLocalSimilarityandDiversityPreservingProjection，2DLSDPP)。2DLSDPP分别利用两个加权邻接图描述模式之间的相似信息和差异信息；在此基础上，给出了度量模式差异信息和相似信息的离散度，然后通过最小化相似离散度和最大化差异离散度准则提取特征。实验结果证实了所提方法的有效性。2．针对2DLSDPP没有考虑模式类别信息，不能较好地描述同类模式之间的相似信息等缺点，提出了融合局部相似信息和差异信息的二

3、维监督保持投影(Two-dimensionalSupervisedLocalSimilarityandDiversityPreservingProjection，2DSLSDPP)。与2DLSDPP不同，该算法在描述模式相似信息时，利用了模式的类别信息；然后通过最小化相似离散度和最大化差异离散度获取投影方向。3．提出了融合局部相似信息和差异信息的二维判别投影(Two．dimensionalDiscriminatingProjectionBasedonLocalSimilarityandDiversity,2DDLSDP)。该算法在训练集上定义了两个加权邻接图——相似邻接图

4、和差异邻接图，分别描述了模式之间的相似信息和差异信息。在相似邻接图中，同类样本间的权值相对较大；不同类样本间的权值相对较小。在此基础上，给出了度量模式相似信息和差异信息的离散度，最后通过最小化相似离散度和最大化差异离散度准则提取特征。关键词：差异邻接图相似邻接图流形学习特征提取人脸识别AbstractWiththerapiddevelopmentofscienceandtechnology,thenumberofvariablesforthemeasllrementofpatternsisbecomingmoreandmore．So，howtoefficientlyrep

5、resentthepatternsinthelow-dimensionalspaceisoneofthekeyproblemstobesolved．Amongthemostmethods，subspaceanalysismethodshavebecomeallactiveresearchareaforfeatureextractionandpatternrepresentation．Inthisdissertation，therecognitionmethodsbasedonmanifoldlearningtechniquesandthemostexpressivesub

6、spaceisstudiedindetail．Themaincontributionandworkareasfollows：1．Two-dimensionalLocalSimilarityandDiversityPreservingProjection(2DLSDPP)isproposed．2DLSDPPdefinestwoadjacencygraphs，namelysimilaritygraphanddiversitygraph，OVerthetrainingdatatomodelthespatialsimilarityanddiversityofdma,respect

7、ively．Similarityscatteranddiversityscatterarecalculatedfromthetwo伊aplls．Basedonthiscontent，aconcisefeatureextractioncriterionisthenraisedbyminimizingtheratioofthesimilarityscattertodiversityscatter．2．Two-dimensionalsupervisedlocalsimilarityanddiversitypreservingproj