基于几何距离摄动的局部切空间排列算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (29): 168-170.

• 图形、图像、模式识别 • 上一篇下一篇

基于几何距离摄动的局部切空间排列算法

杨安平1，2，陈松乔1，胡鹏2

1.中南大学信息科学与工程学院，长沙 410083
2.长沙理工大学电气与信息工程学院，长沙 410004

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-10-11 发布日期:2011-10-11

LTSA algorithm based on geometric distance perturbation

YANG Anping1，2，CHEN Songqiao1，HU Peng2

1.School of Information Science and Engineering，Central South University，Changsha 410083，China
2.School of Electrical & Information Engineering，Changsha University of Science and Technology，Changsha 410004，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-10-11 Published:2011-10-11

摘要/Abstract

摘要： 局部切空间排列算法（Local Tangent Space Alignment）是一种具有严格数学推理的流形学习算法，能有效地学习出高维数据的低维嵌入坐标，但也存在一些不足，如对近邻点的选取依赖性较强、不适应处理高曲率分布、稀疏分布数据源。针对这些缺点，提出了一种基于几何距离摄动的局部切空间排列算法。利用几何摄动条件把样本空间划分为一组线性分块的组合，在每一个线性块上应用LTSA算法完成降维。实验结果表明了该算法的有效性。

关键词: 降维, 局部切空间排列, 流形, 几何摄动, 最大线性块

Abstract: LTSA（Local Tangent Space Alignment） is a manifold learning algorithm with strict mathematical reasoning.It is efficient for many nonlinear dimension reduction problems but unfit for sparse and high curvature source data.In order to solve the problem，an LTSA algorithm based on geometric distance perturbation is presented.The original datasets have been set into some maximal linear patch according to the geometric distance perturbation.The LTSA will be applied to this maximal linear patch to complete the embedding dimensional-reduction.Experiment result validates the effectiveness of the algorithm.

Key words: dimensional-reduction, Local Tangent Space Alignment（LTSA）, manifold, geometric perturbation, maximal linear patch

杨安平1，2，陈松乔1，胡鹏2. 基于几何距离摄动的局部切空间排列算法[J]. 计算机工程与应用, 2011, 47(29): 168-170.

YANG Anping1，2，CHEN Songqiao1，HU Peng2. LTSA algorithm based on geometric distance perturbation[J]. Computer Engineering and Applications, 2011, 47(29): 168-170.

[1]	徐承志，万方. 两级邻域采样的孪生网络在流形学习中的应用[J]. 计算机工程与应用, 2021, 57(9): 233-239.
[2]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[3]	王义武，杨余旺. 空间投影在K-means算法中的研究与应用[J]. 计算机工程与应用, 2020, 56(7): 200-204.
[4]	韩嵩，韩秋弘. 半监督学习研究的述评[J]. 计算机工程与应用, 2020, 56(6): 19-27.
[5]	魏世超，李歆，张宜弛，周晓锋，李帅. 基于E-t-SNE的混合属性数据降维可视化方法[J]. 计算机工程与应用, 2020, 56(6): 66-72.
[6]	邱建荣，罗汉. 改进的局部线性嵌入算法及其应用[J]. 计算机工程与应用, 2020, 56(3): 176-179.
[7]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[8]	谢心蕊，雷秀仁，赵岩. MI和改进PCA的降维算法在股价预测中的应用[J]. 计算机工程与应用, 2020, 56(21): 139-144.
[9]	赵童，黄钲，王秀超，李淼，张昀，郑秀娟，刘凯. 心理测试中掩饰行为的识别研究[J]. 计算机工程与应用, 2020, 56(20): 158-164.
[10]	陈媛，陈晓云. 流形极限学习机自编码特征表示[J]. 计算机工程与应用, 2020, 56(17): 150-155.
[11]	黄欣，莫海淼，赵志刚，曾敏. 离散型增强烟花算法和[kNN]在特征选择中的研究[J]. 计算机工程与应用, 2020, 56(16): 112-117.
[12]	黄冬梅，梁素玲，王振华，孙婧琦，徐首珏. 利用信息熵的高光谱遥感影像降维方法[J]. 计算机工程与应用, 2019, 55(6): 191-196.
[13]	孙登第1，孟欠欠1，2，马云鹏1，2. 图正则化迁移稀疏概念编码的跨域图像分类[J]. 计算机工程与应用, 2019, 55(6): 197-203.
[14]	李翼宏，杜镇宇，胡劲松. APT样本的有效网络特征筛选算法[J]. 计算机工程与应用, 2019, 55(3): 83-89.
[15]	董安国，张倩，刘洪超，梁苗苗. 基于TSNE和多尺度稀疏自编码的高光谱图像分类[J]. 计算机工程与应用, 2019, 55(21): 177-182.

基于几何距离摄动的局部切空间排列算法

LTSA algorithm based on geometric distance perturbation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics