一种基于半监督降维的聚类算法

半监督聚类通过利用少量有标号样本或成对约束等监督信息来提高聚类性能.在此提出一种新颖的基于半监督降维的聚类算法,首先用半监督降维方法对原始数据进行降维,然后在降维后的空间中进行半监督聚类.由于在降维和聚类两个阶段中都利用了监督信息,从而使得算法的聚类性能得到进一步提升.在UCI标准数据集、yale人脸库以及文本数据集上的实验结果验证了该算法的有效性.     

基于加权仿射变换算法的高光谱数据降维

提出一种基于噪声白化和端元提取的加权仿射变换算法用于高光谱图像数据降维,相比较于基于端元提取的仿射变换算法,通过该算法降维后数据的信噪比更高,同时对原始信息的保存量更大,波段之间的相关性更低,从而表明了该算法的有效性.     

局部敏感的半监督数据降维方法

在许多机器学习的任务中,人们常常使用有标签的数据,但是现实中无标签的数据是大量存在的.提出一种基于半监督学习理论的数据降维方法,为能够发现局部的流形结构,算法寻找一个能够最小化类内距离,同时最大化类间距离的投影,同时在最优化过程中借助无标签数据作为调节因子.多个数据库上测试的结果验证了算法的有效性.图2,参13.     

子模式判别型半监督非线性维数减少算法

维数减少是在损失较少特征信息的条件下处理高维图像数据的关键技术,已成为高维数据处理中的热点问题.样本的类内和类间散度判别信息被用于判断当前样本对属于相同类还是不同类,同时考虑未标签样本对算法性能的影响,提出了一种判别型半监督非线性维数减少算法(discriminativesemi-supervised nonlinear dimensionality reduction,DSSNDR),可有效避免奇异性.DSSNDR采用高斯核和多项式核组合得到的混合核,将原始数据以一系列"有用的"特征形式投影到一个较低维的嵌入空间,便于分类,同时能够保持已标签和未标签样本的内部特征,可有效执行半监督学习.引入样本数据的子模式,将DSSNDR推广到子模式特征空间下的非线性方法,简称Sp-DSSNDR,进一步增强了DSSNDR的学习能力,提高分类精度.多个典型数据集上的分类和可视化实验表明,不同类的样本数据的投影在DSSNDR和Sp-DSSNDR构造的特征空间中存在较少的混叠现象,具有更好的可分离性.当维数被减少到较低水平时,本文算法几乎总是取得最好的结果,甚至超过了经典的主成分分析(PCA),核主成分分析(KPCA)和核Fis...     

高光谱图像半监督局部稀疏嵌入降维算法

针对目前高光谱图像半监督降维算法中基于流形学习的开放性选择近邻参数问题,以及利用传统算法不能有效地获取标签数据的局部信息,提出了一种无需考虑近邻参数的半监督局部稀疏嵌入（SELSE）算法.该算法基于稀疏表示理论,通过求解范数优化问题构建稀疏系数图,并且利用有限的标签数据最大化类间信息,提取高光谱图像的特征.在AVIRIS高光谱遥感图像的Indian Pine数据集上进行仿真实验,结果表明所提出算法在分类精度和计算效率上都有所提高.     

改进的Fisher判别方法

对Fisher判别方法进行了改进,其主要思想是改变Fisher判别中以临界值为准则的判别方法,而以各总体的投影值所确定的正态分布的密度函数作为样品归类准则,并形成多次判别.例子表明,该方法优于Fisher判别方法.     

缺失数据下的线性泛函的半参数降维推断

针对缺失数据下线性泛函估计中存在的非参数高维问题和模型参数化后的稳健性问题,提出了线性泛函估计的半参数降维推断方法,通过非参数函数估计来插补线性泛函,井用参数工作函数来降维.所得半参数降维估计具有双稳健的特点,即只要选择概率函数正确参数化或者降维插补指标可以修复线性函数的条件期望,所得估计就是相合的,而且二者都满足时,估计达到最优.     

基于Fisher判别分析法的无粘性土渗透破坏类型判别

运用Fisher判别分析理论,选取6个特征粒径和孔隙率共7个指标参数,针对无粘性土管涌和流土的判别问题,建立了Fisher线性判别函数模型.利用回代估计法对模型进行检验,误判率为0.将所建立的模型用于其它9个案例的预测,结果与实际情况吻合良好.模型检验及实例计算结果表明,本文方法科学合理且可操作性强,能够为无粘性土渗透破坏类型的判别提供一条新的途径.     

高维数据分类中的特征降维研究

以高维分类为目标,从分类的准确率与模型解释性角度探讨了降维的必要性,分析了特征选择与抽取2类方法特点,并对常用的特征抽取方法,包括主成分分析(PCA)、偏最小二乘(PLS)和非负矩阵分解(NMF)进行了阐述.考虑到约减后的数据缺乏稀疏性与可解释性,提出了基于稀疏正则化的特征抽取模型,为高维特征降维提供了一种新思路.     

用于人脸识别的张量图优化的Fisher判别分析

最近提出的图优化的Fisher判别分析(Graph-based Fisher Analysis,简称GbFA)具有很强的判别性能,并成功地应用于人脸识别。但GbFA需要将二维的人脸图像矩阵转化为向量,因此容易丢失像点的空间关系。为此,提出用于人脸识别的张量图优化线性判别分析(Tensor Graph-based Fisher Analysis,简称TGbFA)。该算法把二维的人脸图像矩阵看作二维张量数据,并通过GbFA方法迭代求得两个投影矩阵。在Yale和YaleB的人脸库的实验表明,TGbFA算法继承了GbFA的特性,与现有的张量线性判别分析算法相比,TGbFA具有较好的判别性能。     

一种基于Fisher最优判据的人脸识别新方法

通过对一种计算奇异类内离散度矩阵的Fisher最优判据方法的改进 ,提出一种改进的Fisher最优判据 ,并应用于人脸识别中 .在Olivetti_OracleResearchLab(ORL)和Yale标准人脸库上的识别结果显示 ,此方法比主元分析方法 (PCA)和直接线性判别分析方法 (DirectLinearDiscriminantAnalysis,DLDA)有更好、更高的识别效果 .     

基于支持向量的判别准则的比较

在经典线性判别分析(LDA)和软间隔支持向量机(C-SVM)的基础上,提出了支持向量判别分析(SVDA)和基于支持向量的极大化间隔判别分析(MSVDA).为了说明SVDA和MSVDA对分类问题的有效性和实用性,利用UCI数据库中的Wine数据和Iris数据进行了对比实验.实验结果表明,总体上,SVDA和MSVDA均比LDA有效.     

基于局部重构与全局保持的半监督判别分析方法

为克服线性判别分析(LDA)只能利用有标记样本的缺点,提出一种基于局部重构与全局保持的半监督判别分析(LRGPSSDA)方法.LRGPSSDA通过最小化局部重构误差来确定邻域图的边权值,在保持数据集局部结构的同时保持其全局结构,具有对邻域参数的选择不敏感、所得投影子空间的维数不受样本类别数的限制等特点.相较现有的半监督判别分析方法(如SDA和UDA),LRGPSSDA的分类性能更好.在YaleB和CMUPIE标准人脸库上的实验结果验证了该算法的有效性.     

一种改进的核Fisher鉴别分析方法

核Fisher鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一.针对在解决两类模式分类问题中KFDA只能获得一个鉴别矢量的弱点,提出了一种改进的核Fisher鉴别分析(MKFDA)方法,该方法对特征空间中的两类间离散度进行了重新估计,通过使用核类间散布矩阵的一种特殊形式,我们可以得到最多N(N为训练样本数)个鉴别矢量,从而提高了两类模式问题的分类性能.在IRIS数据上的实验结果验证了MKFDA方法的有效性.     

半监督超图正则拉普拉斯降维条件下分类算法广义界分析

研究超图上半监督正则拉普拉斯降维框架下分类算法的统计特征,通过特征空间上的映射算子说明降维后得到的向量较好地逼近原目标向量.利用矩阵迹的特性给出降维条件下分类算法广义界估计值.     

基于WFLD线性判别法的教学质量评估预警系统模型研究

讨论了FLD线性判别方法,然后对此方法进行了加权,分析了加权的fisher线性判别法形成,接着在基于此分类方法上,建立了教学质量评估预警系统的模型,为教学质量评估预警系统的设计与实现提供了理论依据。     

基于多目标优化问题模型的鉴别分析方法

该文提出一种新的Fisher鉴别分析的多目标优化问题模型。模型将最大的Fisher函数值与鉴别矢量所抽取特征间最小的相关同时作为优化目标。通过构造评价函数,将这一问题转换为适当的单目标优化问题。利用问题模型的特殊性,用Lagrange乘子法分析得出了相应鉴别矢量解的表达式。将该方法与F—S鉴别分析方法在CENPARMI手写体阿拉伯数字库上进行了对比实验。实验显示,该文方法明显优于F—S鉴别分析方法。     

基于模糊点数据的线性回归模型在判别分析中的应用

在经典回归分析理论中,训练数据在回归方程的构建中是被同等对待的.然而,在许多实际问题中,训练数据的作用是不同的,通常有些训练数据比其他数据更重要.为此,给每个训练数据赋予一个置信权重(这里的样本称为模糊点样本数据),并且给出了确定该置信权重的几种常用方法,讨论了基于模糊点数据的线性回归模型用于判别分析的情况.最后给出了数值例子.     

基于随机旋转集成的降维方法

对随机旋转集成方法提出了一种针对降维问题的改进,得到了新的降维算法框架进行随机变换降维,可以显著减少降维过程中造成的信息损失.采用随机变换降维后,训练监督学习算法时可以获得更高的准确率和更好的泛化性能.通过在模拟数据上进行的实验,证明了使用多重共线性数据进行回归分析时,与传统降维算法相比,经随机变换降维处理后可以保留更多的信息,获得更小的均方误差.对随机变换降维在手写数字识别数据集上的表现进行了研究,证明了与一般性的降维算法相比,随机变换降维在图像分类问题上可以获得更高的准确率.     

采用Fisher线性判别分析进行MEG信号的分类

脑磁图(MEG)具有比脑电(EEG)信号更高的时空分辨率,可以作为输入信号建立脑-机接口系统.提出一种脑磁图的特征提取和分类方法,首先对MEG信号进行预处理,然后提取时域特征,最后采用Fisher线性判别分析进行分类.将该算法用于2008年脑-机接口数据竞赛的数据集Ⅲ,该数据集为一个典型的采用MEG信号的脑-机接口系统.离线分析结果表明,该算法取得了很好的分类准确率,对两个测试者(S1和S2)的分类正确率分别为5946%和4324%.与其他方法相比,该方法简单有效,运算速度快,具有较高的参考价值.