一种自适应邻域选择半监督判别分析算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (35): 180-183.

• 图形、图像、模式识别 • 上一篇下一篇

一种自适应邻域选择半监督判别分析算法

刘云东1，李鸿1，白万荣2，刘罡3

1.宿州学院信息工程学院，安徽宿州 234000
2.兰州理工大学计算机与通信学院，兰州 730050
3.中国人民解放军 68611部队装备处

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-11 发布日期:2011-12-11

Semi-supervised discriminant analysis algorithm based on adaptive neighborhood selection

LIU Yundong1，LI Hong1，BAI Wanrong2，LIU Gang3

1.School of Information Engineering，Suzhou University，Suzhou，Anhui 234000，China
2.College of Computer and Communication，Lanzhou University of Technology，Lanzhou 730050，China
3.Department of Equipment，No.68611 Troops，The Chinese People’s Liberation Army

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-11 Published:2011-12-11

摘要/Abstract

摘要： 为克服边界Fisher判别分析（MFA）只利用少量有标记样本和构建邻域不能充分反映流形学习对邻域要求的缺点，提出一种基于局部线性结构的自适应邻域选择半监督判别分析的算法。采用自适应算法扩大或者缩小近邻系数[k]来构建邻域以保持局部线性结构。MFA通过少量有类别标签样本进行降维的同时UDP对大量无标签样本进行学习，以半监督的方法对高维人脸数据进行维数约减。最后，在ORL和YALE人脸数据库通过实验结果验证了该算法的有效性。

关键词: 边界Fisher判别分析, 无监督鉴别投影, 半监督, 局部线性结构, 邻域选择

Abstract: A new semi-supervised discriminant analysis algorithm adaptive neighborhood selection algorithm based on local linearity is proposed for the disadvantage of Marginal Fisher Analysis（MFA），which can only make use of a few labeled samples and construct a reasonable neighborhood for each point.An adaptive algorithm to expand or narrow neighbor coefficient [k] is adopted to keep the local linear structure.The MFA can make use of small amount of labeled samples and the UDP can study a large numbers of unlabeled samples，so the method can use semi-supervised dimensionality reduction algorithm for high dimensional data of face.Finally，the effectiveness of the proposed methods is validated through the experimental results on ORL and YALE face databases.

Key words: Marginal Fisher Analysis（MFA）, Unsupervised Discriminant Projection（UDP）, semi-supervised, local linear structure, neighborhood selection

刘云东1，李鸿1，白万荣2，刘罡3. 一种自适应邻域选择半监督判别分析算法[J]. 计算机工程与应用, 2011, 47(35): 180-183.

LIU Yundong1，LI Hong1，BAI Wanrong2，LIU Gang3. Semi-supervised discriminant analysis algorithm based on adaptive neighborhood selection[J]. Computer Engineering and Applications, 2011, 47(35): 180-183.

[1]	邹承明，胡佑璞. 引入生成对抗网络的室外场景单目深度估计[J]. 计算机工程与应用, 2021, 57(6): 176-183.
[2]	周绍光，吴昊，赵婵娟，陈仁喜. 利用同质区特性的高光谱图像迁移学习分类[J]. 计算机工程与应用, 2021, 57(21): 224-233.
[3]	米源，唐恒亮. 基于图卷积网络的谣言鉴别研究[J]. 计算机工程与应用, 2021, 57(13): 161-167.
[4]	唐焕玲，刘艳红，郑涵，窦全胜，鲁明羽. 融合SLDA主题模型的不均衡文本分类方法[J]. 计算机工程与应用, 2021, 57(12): 144-154.
[5]	但雨芳，陶剑文，徐浩特. 可能性聚类假设的半监督分类方法[J]. 计算机工程与应用, 2020, 56(9): 65-74.
[6]	宋丽丽，李彬，赵俊雅，刘国峰. 正态重采样的改进行人再识别度量学习算法[J]. 计算机工程与应用, 2020, 56(8): 158-165.
[7]	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.
[8]	杨静雅，孙林夫，吴奇石. 基于半监督谱聚类集成的售后客户细分[J]. 计算机工程与应用, 2020, 56(2): 266-271.
[9]	杨烁，刘兵，周勇. 基于稀疏编码的半监督低秩核学习算法[J]. 计算机工程与应用, 2019, 55(7): 175-181.
[10]	龚彦鹭，吕佳. 结合半监督聚类和加权KNN的协同训练方法[J]. 计算机工程与应用, 2019, 55(22): 114-118.
[11]	黄冬梅，张晓桐，张明华，宋巍. 全局判别与局部稀疏保持HSI半监督特征提取[J]. 计算机工程与应用, 2019, 55(20): 184-191.
[12]	王小玉1，丁世飞1，2. 基于共享近邻的成对约束谱聚类算法[J]. 计算机工程与应用, 2019, 55(2): 142-147.
[13]	刘丽丽，周绍光，赵婵娟，丁倩. 基于伪标签深度学习的高光谱影像半监督分类[J]. 计算机工程与应用, 2019, 55(17): 191-198.
[14]	张璞1，柴变芳1，张静1，李文斌2. 半监督属性网络表示学习方法[J]. 计算机工程与应用, 2019, 55(12): 117-123.
[15]	王玉业，陈健美. 安全的半监督方法的协同过滤推荐算法[J]. 计算机工程与应用, 2018, 54(8): 107-111.

一种自适应邻域选择半监督判别分析算法

Semi-supervised discriminant analysis algorithm based on adaptive neighborhood selection

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