基于数据多样性的判别多流形降维方法的研究

• 作者: 刘跃娟 高宇
• 来源期刊: 自动化与仪器仪表
• 学科: 工学
• 关键词: 数据降维 多流形学习 数据多样性 流形距离 局部几何结构
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 理论创新
• 页码范围: 30-34
• 页数: 5页
• 分类号: TP391.41
• 语种: 中文
• DOI: 10.14016/j.cnki.1001-9227.2020.04.030

摘要

近年来,迅速发展起来的基于流形学习的数据降维方法已被广泛应用,然而此类方法大多是从保持数据的局部或者全局结构角度出发,忽略了对分类同样重要的数据多样性.针对数据降雏方法忽略了数据的多样性,提出一种新的算法即基于数据多样性的判别多流形降维方法(Diversity based Discriminant Multi-manifold Learning for Dimensionality Reduction,简称DDMLDR).此方法首先通过k近邻或者ε球准则对数据样本点重构,以此保持数据局部几何结构.其次,从局部的角度定义一种流形距离,使得流形间具有更好的可分性,从而更加有利于后续的识别与分类工作.最后利用数据的判别信息,通过图构建的方式刻画数据的多样性信息,使得DDMLDR算法能更加全面准确地刻画高维数据最本质的特征.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘跃娟	哈尔滨医科大学大庆校区医学信息学院	10	9	2.0	2.0
2	高宇	哈尔滨医科大学大庆校区医学信息学院	3	22	2.0	3.0