资料下载
×
基于图嵌入和最大互信息组合的降维
消耗积分:0 |
格式:rar |
大小:156 |
2009-08-21
王娟
分享资料个
在特征降维方面，图嵌入框架统一了PCA, LDA 等一系列特征降维算法，方便求解，
但相似度矩阵计算有赖于人为假设。而最大互信息(MMI)从信息论的角度得到有效的特征降维变换，但是求解复杂。针对这种情况，本文指出了图嵌入和最大互信息的联系，给出了基于两者组合的新算法GE-MMI。该算法继承了两者的优点，是一种有效的特征降维方法。
关键字：图嵌入, 互信息，特征提取，降维，GE-MMI
特征降维是模式识别任务中一个重要的预处理步骤，它把高维测量空间的数据投影到低
维特征空间，同时保持高维测量空间里数据的本征信息。通过这一变换，可以实现数据压缩和去燥，特征提取, 如PCA[1,8]，提取适合分类的判别特征，如LDA[1], 或者使相近的点在低维特征空间相近，如LPP[2]。最近，Yan 等人将提出了图嵌入框架[3]，将PCA，LDA，LPP 等各种算法统一, 并且为新的特征降维方法提供了指导方向。Torkkola 等人[4]从信息论的角度提出了最大互信息(MMI)的算法，利用训练样本的二阶以及更高阶的统计量，得到比PCA，LDA 更优的特征。但是，MMI 算法求解十分复杂。
本文指出了 MMI 算法和图嵌入框架的联系，提出了一种基于图嵌入和MMI 组合的新
算法，记作GE-MMI。该算法继承了图嵌入框架和MMI 算法的优点，可以得到判别能力较强的特征，它规避了LDA, LPP 算法对样本分布需要人为假设，克服了它们的缺陷，同时求解方便。
但相似度矩阵计算有赖于人为假设。而最大互信息(MMI)从信息论的角度得到有效的特征降维变换，但是求解复杂。针对这种情况，本文指出了图嵌入和最大互信息的联系，给出了基于两者组合的新算法GE-MMI。该算法继承了两者的优点，是一种有效的特征降维方法。
关键字：图嵌入, 互信息，特征提取，降维，GE-MMI
特征降维是模式识别任务中一个重要的预处理步骤，它把高维测量空间的数据投影到低
维特征空间，同时保持高维测量空间里数据的本征信息。通过这一变换，可以实现数据压缩和去燥，特征提取, 如PCA[1,8]，提取适合分类的判别特征，如LDA[1], 或者使相近的点在低维特征空间相近，如LPP[2]。最近，Yan 等人将提出了图嵌入框架[3]，将PCA，LDA，LPP 等各种算法统一, 并且为新的特征降维方法提供了指导方向。Torkkola 等人[4]从信息论的角度提出了最大互信息(MMI)的算法，利用训练样本的二阶以及更高阶的统计量，得到比PCA，LDA 更优的特征。但是，MMI 算法求解十分复杂。
本文指出了 MMI 算法和图嵌入框架的联系，提出了一种基于图嵌入和MMI 组合的新
算法，记作GE-MMI。该算法继承了图嵌入框架和MMI 算法的优点，可以得到判别能力较强的特征，它规避了LDA, LPP 算法对样本分布需要人为假设，克服了它们的缺陷，同时求解方便。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
