基于自适应图的降维方法

为了构建能反映高维数据本质结构的高质量图，提出了一种新颖的降维方法———基于自适应图的降维方法( DＲAG: Dimensionality Ｒeduction based on Adaptive Graphs) 。与其他传统的基于图的降维方法相比，提出的DＲAG 避免了传统k 近邻或ε 球准则构图策略中的参数选择问题，考虑了数据的局部信息和噪声，能自适应地构建稀疏的最优图结构，并将其结合在经典的LPP( Locality Preserving Projection) 模型中，学习能有效刻画高维数据本征结构的投影矩阵，从而实现降维的目的。为了评估算法的有效性和可行性，在4 个标准的图像数据库( CMU PIE，Extended YaleB，OＲL 和COIL 20) 分别进行了分类与聚类实验，实验结果表明，所提出的方法在分类识别率和聚类准确率上都优于其他对比方法。