基于样本加权的格拉斯曼平均算法

• 作者: 杨丽 梁志贞 钟倩
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 样本加权 格拉斯曼平均 主成分分析法 鲁棒性
• 年，卷（期）: 2017,（22）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 126-129
• 页数: 4页
• 分类号: TP391
• 字数: 3557字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1605-0416

摘要

格拉斯曼平均子空间对应着高斯数据的主成分,解决了PCA的扩展性问题,但算法假定样本的贡献取决于样本的长度,这可能导致离群点对算法的干扰较强.为此,利用无监督学习数据的局部特性或监督学习中样本的类别信息建立样本的权重,从而提出一种基于样本加权的格拉斯曼平均的算法,在UCI数据集和ORL人脸数据库上的实验结果表明,新算法有好的鲁棒性并且其识别率比已有方法提高1%~2%.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨丽	中国矿业大学计算机科学与技术学院	21	148	7.0	12.0
2	梁志贞	中国矿业大学计算机科学与技术学院	14	73	5.0	8.0
3	钟倩	中国矿业大学计算机科学与技术学院	2	0	0.0	0.0