資源描述：
《基于局部信息保持的特征降維方法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、代號(hào)10701學(xué)號(hào)1102121230分類(lèi)號(hào)TP181密級(jí)公開(kāi)題（中、英文）目基于局部信息保持的特征降維方法研究ResearchonFeatureDimensionalityReductionMethodsBasedonLocalInformationPreservation作者姓名王飛指導(dǎo)教師姓名、職務(wù)姬紅兵教授學(xué)科門(mén)類(lèi)工學(xué)學(xué)科、專(zhuān)業(yè)模式識(shí)別與智能系統(tǒng)提交論文日期二○一四年一月萬(wàn)方數(shù)據(jù)西安電子科技大學(xué)學(xué)位論文獨(dú)創(chuàng)性(或創(chuàng)新性)聲明秉承學(xué)校嚴(yán)謹(jǐn)?shù)膶W(xué)風(fēng)和優(yōu)良的科學(xué)道德，本人聲明所呈交的論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝中所羅列
2、的內(nèi)容以外，論文中不包含其他人已經(jīng)發(fā)表或撰寫(xiě)過(guò)的研究成果；也不包含為獲得西安電子科技大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書(shū)而使用過(guò)的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中做了明確的說(shuō)明并表示了謝意。申請(qǐng)學(xué)位論文與資料若有不實(shí)之處，本人承擔(dān)一切的法律責(zé)任。本人簽名：日期西安電子科技大學(xué)關(guān)于論文使用授權(quán)的說(shuō)明本人完全了解西安電子科技大學(xué)有關(guān)保留和使用學(xué)位論文的規(guī)定，即：研究生在校攻讀學(xué)位期間論文工作的知識(shí)產(chǎn)權(quán)單位屬西安電子科技大學(xué)。學(xué)校有權(quán)保留送交論文的復(fù)印件，允許查閱和借閱論文；學(xué)?？梢怨颊撐牡娜炕虿糠謨?nèi)容，可以允許采用影印、縮印或其它復(fù)制手段保存論文。同時(shí)本人保證，
3、畢業(yè)后結(jié)合學(xué)位論文研究課題再攥寫(xiě)的文章一律署名單位為西安電子科技大學(xué)。(保密的論文在解密后遵守此規(guī)定)本人簽名：日期導(dǎo)師簽名：日期萬(wàn)方數(shù)據(jù)摘要摘要作為模式識(shí)別領(lǐng)域的關(guān)鍵技術(shù)，特征降維的好壞直接影響分類(lèi)識(shí)別的效果。特征降維的主要任務(wù)就是，在不影響數(shù)據(jù)原始信息的基礎(chǔ)上對(duì)抽取的數(shù)據(jù)特征進(jìn)行降維優(yōu)化及可視化。實(shí)際中，由于數(shù)據(jù)分布情況往往很復(fù)雜，類(lèi)內(nèi)數(shù)據(jù)的中心互相遠(yuǎn)離，因此基于全局的特征降維方法不能取得理想效果，基于此，本文主要研究了基于局部結(jié)構(gòu)的特征降維方法。首先，介紹了特征降維領(lǐng)域的經(jīng)典方法。根據(jù)是否利用了類(lèi)標(biāo)信息，特征降維方法可以分為無(wú)監(jiān)督方法和有監(jiān)督方法。無(wú)監(jiān)督的特征降維方法使得原始
4、數(shù)據(jù)在低維流形中能夠保持原有的幾何關(guān)系。有監(jiān)督的特征降維方法利用類(lèi)標(biāo)信息，對(duì)不同樣本的相關(guān)性進(jìn)行鑒別，因此適用于通常的分類(lèi)任務(wù)。其次，針對(duì)基于全局的特征降維方法中忽略局部結(jié)構(gòu)的缺陷，在Xing算法的基礎(chǔ)上加入基于歐氏距離的局部結(jié)構(gòu)信息，提出LXing算法。另外，將這一思想推廣到RCA中去，提出了LRCA算法。進(jìn)一步，針對(duì)NCA算法中近鄰選擇隨機(jī)性的不足，把表示局部結(jié)構(gòu)的熱核函數(shù)融合到NCA中去，對(duì)樣本的近鄰點(diǎn)做了進(jìn)一步的加權(quán)，提出了WNCA算法。最后，針對(duì)樣本間相似度的估計(jì)只利用歐氏距離的不足，提出了基于鄰域樣本相似度的LPP算法，算法中計(jì)算樣本間的相似度時(shí)既考慮了歐氏距離又考慮了
5、鄰域樣本相似度，對(duì)樣本之間的相似度進(jìn)行了更為精確的估計(jì)。然后，將這種思想推廣到LFDA算法中去，提出了NSS-LFDA算法。此外，把鄰域類(lèi)標(biāo)相似度信息加入到LFDA中去，提出了NLS-LFDA算法，該算法計(jì)算樣本間的相似度時(shí)既考慮了歐氏距離又考慮了鄰域類(lèi)標(biāo)相似度，挖掘了更為豐富的局部信息。關(guān)鍵詞：特征降維局部結(jié)構(gòu)鄰域樣本相似度鄰域類(lèi)標(biāo)相似度萬(wàn)方數(shù)據(jù)AbstractAbstractFeaturedimensionlityreductionhasbeenakeyprobleminpatternrecognition.Successornotoffeaturedimensionlityr
6、eductionwillaffecttheresultofclassification.It’smaintaskistooptimizetheextractedfeaturesfordimensionreductionorvisualizationwithoutlosingintrinsicstructureoforiginalinformation.Becauseglobalfeatureoptimizationmethodstendtogiveundesiredresultsifsamplesinaclassaremultimodal.Thispaperhasaresearch
7、onmethodsoffeaturedimensionlityreductionbasedonlocalstructure.First,inthispaperwesurveythefieldoffeaturedimensionlityreduction,andreviewrecentwork.Dependingontheavailabilityoflabelinformation,featuredimensionlityreductionmethodscanbediv
