摘要
数据点的局部邻域选取是基于流形学习的非线性降维方法的核心,其选取方式直接影响降维结果的质量.传统的局部邻域选取方式大多使用最近邻k-nn方法.然而,k的选择是一个难于解决的问题,且k-nn方法对分布不均匀的数据将不再适用.基于此,提出一种基于数据分布特性的自适应流形学习方法.该方法根据数据点附近的密集程度来自适应地选择最近邻域大小,充分考虑了数据点周围的点分布信息,能够有效地进行降维,非常适用于分布不均匀的数据.实验结果表明,提出的方法在COIL-20对象数据集和人工数据集上得到了期望的嵌入和分类结果,并成功地应用到了图像检索中.
学科与关键词
关键词
局部邻域流形学习降维k最近邻 local neighborhoodmanifold learningdimensionality reductionk-nearest neighborhood(k-nn)
- 基于谱聚类的流形学习算法研究王洪波; 罗贺中国科学技术大学学报, 2013, (01): 79-86.
- 基于自适应邻域参数的拉普拉斯特征映射李月娇; 刘秉瀚福州大学学报(自然科学版), 2013, (02): 153-157.
- 基于图像欧氏距离的高光谱图像流形降维算法陈宏达; 普晗晔; 王斌; 张立明红外与毫米波学报, 2013, (05): 450-455.
