摘要： 近年来出现的一系列进行维数约简的非线性方法——流形学习中等距映射（Isomap）是其中的代表，该算法高效、简单，但计算复杂度较高。基于标志点（Landmark Points）的L-Isomap减少了计算复杂度，但对于标志点的选取，大都采用随机的方法，致使该算法不稳定。考虑到样本点和近邻点相对位置，将对嵌入流形影响较大的样本点赋予较高的权重。然后根据权重大小选择标志点，同时考虑标志点之间的相对位置，使得选出的标志点不会出现过度集中的现象，近似直线分布的概率也大大降低，从而保证了算法的稳定性。实验结果表明，该算法在标志点数量较少的情况下，比L-Isomap稳定，且对缺失数据的不完整流形，也能获取和Isomap相差不大的结果。
