基于改进流形学习的数据分类算法

• 作者: 关健生
• 来源期刊: 计算机应用与软件
• 学科: 工学
• 关键词: 数据分类 局部线性嵌入 最优邻近点个数 降维 最大化
• 年，卷（期）: 2014,（12）
• 所属期刊栏目: 数据工程
• 页码范围: 60-63
• 页数: 4页
• 分类号: TP391.41
• 字数: 3371字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-386x.2014.12.014

摘要

针对高维数据分类问题的特点，提出一种基于改进型局部线性嵌入LLE（ Locally Linear Embedding）算法的数据降维算法，结合支持向量机SVM（ Support Vector Machine）算法实现数据分类。首先，通过LLE算法降维后的数据集，按照数据集内的离差最小化，数据集间的离差最大化的原则，计算得到最优化邻近点个数；其次，将最优邻近点个数所得的降维数据作为最优结果，按一定比例选取训练集，输入SVM算法建立数据分类器；最后，将测试集输入训练完成的分类器中，实现最优化数据分类。选取Iris flower，Yale等多类数据集与传统算法进行对比实验，验证算法的可行性。实验结果表明：所提出的算法可以有效地完成数据分类，针对低维数据和高维数据分类问题具有较好的适用性和优越性，在人脸检测中也取得较好的结果。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	关健生	厦门理工学院电子与电气工程系	7	31	3.0	5.0