在現(xiàn)實應用中,高維數(shù)據(jù)大量增長,因此如何處理高維數(shù)據(jù)成為模式識別、機器學習中的一個熱門研究領域。一方面在現(xiàn)實應用系統(tǒng)中,直接處理高維數(shù)據(jù),導致計算復雜度高和存儲空間大,甚至會帶來潛在的“維度災難”和過擬合問題;另一方面在高維數(shù)據(jù)中存在大量不相關、冗余的特征會影響數(shù)據(jù)的分類。上述兩方面說明對高維數(shù)據(jù)進行降維處理是十分有必要的。降維的目的是找到高維數(shù)據(jù)的低維表達,其中研究表明圖嵌入是降維的有效方法之一。本文提出了三種特征提取方法處理高維數(shù)據(jù),主要研究工作和創(chuàng)新如下:（1）在已有的圖嵌入方法中幾乎沒有直接考慮每個樣本的幾何分布來表示鄰接圖的權重。事實上,數(shù)據(jù)特征空間中的每個樣本都有不同的幾何分布,鄰接圖中的權重應該由樣本的幾何位置來確定。為了克服已有方法中存在的不足,提出了一種新穎的方法稱作可鑒別全局與局部保持圖嵌入方法（Discriminative Globality and Locality Preserving Graph Embedding,DGLPGE）。在DGLPGE中,在構造全局和局部鄰接圖時,充分考慮了樣本的可鑒別性信息和幾何分布,目的是保存樣本固有的幾何結構和可鑒別結構。其... 

【文章來源】：江蘇大學江蘇省

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【部分圖文】：

DGLPGE基本思想示意圖

江蘇大學工程碩士學位論文25（a）LPP（b）LDNE（c）DSPGE（d）DGLPGE圖3.3二維子空間中一個高維數(shù)據(jù)的示例3.2DGLPGE實驗3.2.1數(shù)據(jù)集介紹在本小節(jié)中，簡要介紹實驗中使用的所有數(shù)據(jù)集。首先介紹6個公共人臉數(shù)據(jù)庫，包括ORL[79]、AR[80]、GT[81]、IMM[82]、FEI[83]和Yale[84]。ORL人臉數(shù)據(jù)集包含從40個對象中提取的400個人臉圖像樣本，每個樣本有10個人臉圖像。圖3.4（a）給出了ORL中某一類部分圖像示例。AR人臉數(shù)據(jù)集包含來自126名對象的大約4000張人臉圖像，其中70名男性和56名女性。本章使用AR中一個子集，共1400張來自50名男性和50名女性的面部圖像，每個對象有14張面部圖像，圖3.4（b）給出了AR中某一類部分圖像示例。GT人臉數(shù)據(jù)集包含來自50個對象的750個人臉圖像，每個對象有15張，圖3.4（c）給出了GT中某一類部分圖像示例。IMM人臉數(shù)據(jù)集包含來自40個對象的240個面部圖像，每

江蘇大學工程碩士學位論文29（a）ORL（l=5）（b）GT（l=7）（c）AR（l=7）（d）IMM（l=2）（e）FEI（l=5）（f）Yale（l=5）圖3.5在不同數(shù)據(jù)集上不同q值對于DGPGE分類效果的影響（a）ORL（l=5）（b）GT（l=7）（c）AR（l=7）（d）IMM（l=2）（e）FEI（l=5）（f）Yale（l=5）圖3.6在不同數(shù)據(jù)集上不同k值對DLPGE分類效果的影響同樣的道理，在ORL數(shù)據(jù)集上為l=7，AR數(shù)據(jù)集上l=9，GT數(shù)據(jù)集上l=9，F(xiàn)EI數(shù)據(jù)集上l=7，Yale數(shù)據(jù)集上l=5，DLPGE取得最佳分類效果時，k的取值是3而在IMM數(shù)據(jù)集上l=3時，DLPGE取得最佳分類效果時，k的取值是9。


本文編號：2983301