本文關(guān)鍵詞： 改進的局部切空間排列(ILTSA) 人臉識別 流形學習 可泛化　出處：《計算機工程與應用》2017年03期 　論文類型：期刊論文

【摘要】：在數(shù)據(jù)稀疏、數(shù)據(jù)非均勻分布和數(shù)據(jù)流形具有較大曲率的情況下,傳統(tǒng)的局部切空間方法不能夠有效地揭示流形結(jié)構(gòu)。提出了一種泛化的ILTSA(GILTSA)流形學習方法,該方法以改進的局部切空間排列算法(ILTSA)為基礎,在解決流形結(jié)構(gòu)問題的同時,不僅能夠獲得用于人臉識別更好的低維特征,而且能有效地處理日益增加的數(shù)據(jù)集的問題。該方法首先基于樣品間距離選擇近鄰集,實現(xiàn)訓練集的低維流形,為每個新樣本尋找最近的樣本訓練集。然后結(jié)合ILTSA算法,根據(jù)其最近樣本投影距離計算低維流形。在ORL的人臉圖像數(shù)據(jù)庫的實驗、Swiss roll和手書的"2"等實驗結(jié)果表明,與局部線性嵌入和局部切空間排列算法等相比,GILTSA方法增加了整體精度。
[Abstract]:In the case of sparse data, non-uniform distribution of data and large curvature of data stream shape. The traditional local tangent space method can not reveal the manifold structure effectively. A generalized ILTSAG ILTSA manifold learning method is proposed. Based on the improved local tangent space arrangement algorithm (ILTSA), this method can not only solve the problem of manifold structure, but also obtain better low-dimensional features for face recognition. And it can effectively deal with the problem of increasing data sets. Firstly, this method selects nearest neighbor sets based on distance between samples to realize the low dimensional manifold of training set. To find the nearest sample training set for each new sample, and then combine the ILTSA algorithm, calculate the low-dimensional manifold according to its nearest sample projection distance. Experiment in the face image database of ORL. The experimental results of Swiss roll and "2" in calligraphy show that compared with the local linear embedding and local tangent space arrangement algorithms, the global precision of the GILTSA method is improved.
【作者單位】： 哈爾濱理工大學計算機科學與技術(shù)學院;
【基金】：黑龍江省自然科學基金(No.F201302)
【分類號】：TP391.41;TP181
【正文快照】： 1引言隨著電腦和網(wǎng)絡的普及,人們可以很容易地訪問大量信息,使表示信息的數(shù)據(jù)集維數(shù)急劇增加,非結(jié)構(gòu)化的特點更加突出[1]。流形學習可以根據(jù)數(shù)據(jù)分析和降維的方法揭示高維數(shù)據(jù)集的內(nèi)在規(guī)律,利用局部的幾何性質(zhì)更好地了解數(shù)據(jù)集,以便實現(xiàn)數(shù)據(jù)降維并且因此,已經(jīng)在機器學習和認知

【相似文獻】

相關(guān)期刊論文 前10條

1 曾憲華;羅四維;;局部保持的流形學習算法對比研究[J];計算機工程與應用;2008年29期

2 劉志勇;;基于保距與保拓撲的流形學習算法[J];長江大學學報(自然科學版)理工卷;2010年02期

3 閆志敏;劉希玉;;流形學習及其算法研究[J];計算機技術(shù)與發(fā)展;2011年05期

4 楊海紅;;流形學習中鄰域大小的選擇算法[J];山西煤炭管理干部學院學報;2011年01期

5 周華;蔡超;丁明躍;;基于流形學習和流形高階近似的圖像距離度量[J];華中科技大學學報(自然科學版);2012年03期

6 石陸魁;張軍;宮曉騰;;基于鄰域保持的流形學習算法評價模型[J];計算機應用;2012年09期

7 談超;關(guān)佶紅;周水庚;;增量與演化流形學習綜述[J];智能系統(tǒng)學報;2012年05期

8 徐蓉;姜峰;姚鴻勛;;流形學習概述[J];智能系統(tǒng)學報;2006年01期

9 羅四維;趙連偉;;基于譜圖理論的流形學習算法[J];計算機研究與發(fā)展;2006年07期

10 周紅;吳煒;滕奇志;楊曉敏;李e，

本文編號：1448170