基于稀疏和近邻保持的极限学习机降维

• 作者: 廖梦真 陈晓云
• 来源期刊: 自动化学报
• 关键词: 极限学习机 近邻表示 稀疏表示 降维
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 论文与报告
• 页码范围: 325-333
• 页数: 9页
• 字数: 6975字
• 语种: 中文
• DOI: 10.16383/j.aas.2018.c170216

摘要

近邻与稀疏保持投影已被广泛应用于降维方法,通过优化得到满足近邻结构或稀疏结构的降维投影矩阵,然而这类方法多数只考虑单一结构特征.此外,多数非线性降维方法无法求出显式的映射函数,极大地限制了降维方法的应用.为克服这些问题,本文借鉴极限学习机的思想,提出面向聚类的基于稀疏和近邻保持的极限学习机降维算法(SNP-ELM).SNP-ELM算法是一种非线性无监督降维方法,在降维过程中同时考虑数据的稀疏结构与近邻结构.在人造数据、Wine数据和6个基因表达数据上进行实验,实验结果表明该算法优于其他降维方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈晓云	福州大学数学与计算机科学学院	76	590	13.0	21.0
2	廖梦真	福州大学数学与计算机科学学院	2	1	1.0	1.0