期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
一种改进的局部本质维数LID检测混沌方法 被引量:1
1
作者 朱晓锦 孙庆庆 翟羽建 《数据采集与处理》 CSCD 2001年第2期233-236,共4页
介绍基于确定吸收子维数上界检测混沌的 L ID算法 ,与关联数检测混沌算法比较该算法具有两个优点 :可以区分出分形噪声和混沌 ;可以在较低信噪比的情况下进行有效的检测。由于普遍利用基于 SVD分解的 L ID算法在有噪声的情况下阈值很难... 介绍基于确定吸收子维数上界检测混沌的 L ID算法 ,与关联数检测混沌算法比较该算法具有两个优点 :可以区分出分形噪声和混沌 ;可以在较低信噪比的情况下进行有效的检测。由于普遍利用基于 SVD分解的 L ID算法在有噪声的情况下阈值很难确定 ,本文分析了 SVD分解计算 L ID缺陷的原因 ,并在此基础上提出了一种基于局部 Neymark分解计算 L ID检测混沌的算法 。 展开更多
关键词 混沌检测 Neymark分解 局部本质维数 信号处理
在线阅读 下载PDF
基于流形学习的“本质”维数估计 被引量:4
2
作者 惠康华 李春利 +1 位作者 王雪扬 许新忠 《计算机科学》 CSCD 北大核心 2012年第S3期212-214,233,共4页
局部线性嵌入算法(LLE)是一种可以有效处理高维流形的非线性降维方法。提出一种基于全局保持的局部线性嵌入方法(GPLLE),其在保持高维流形局部近邻关系的同时,可以保证距离远的样本仍然较远,从而可以有效地解决LLE算法中存在的问题,即LL... 局部线性嵌入算法(LLE)是一种可以有效处理高维流形的非线性降维方法。提出一种基于全局保持的局部线性嵌入方法(GPLLE),其在保持高维流形局部近邻关系的同时,可以保证距离远的样本仍然较远,从而可以有效地解决LLE算法中存在的问题,即LLE只能保持高维流形的局部近邻关系,而无法确保距离远的样本不会靠近。更重要的是,GPLLE方法可以用来估计高维流形的"本质"维数。实验结果表明,在GPLLE估计的低维空间,相比LLE,GPLLE具有更好的分类性能。 展开更多
关键词 本质 局部线性嵌入 全局保持 流形学习
在线阅读 下载PDF
M-本质内射模和本质内射维数 被引量:1
3
作者 刘琼 欧阳柏玉 《湖南师范大学自然科学学报》 CAS 北大核心 2007年第3期6-10,共5页
在M-内射模的基础上引进了M-本质内射模的概念,研讨了M-本质内射模的一些性质,并且引入了M的本质内射分解和本质内射维数的概念,深入探讨了内射维数和本质内射维数之间的关系,得出了一些重要的结论.
关键词 M-本质内射模 内射模 内射 本质内射
在线阅读 下载PDF
多线性局部与全局保持嵌入在高光谱遥感影像分类中的应用 被引量:7
4
作者 王立志 黄鸿 冯海亮 《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2012年第6期780-786,共7页
针对一般流形学习算法在学习高光谱数据的多流形结构时存在的不足,提出一种基于线性局部与全局保持嵌入(LLGPE)的多流形学习算法.对于分布在不同流形上的高维观测数据,利用LLGPE算法学习每类分组数据的内蕴特征;然后通过遗传算法搜索每... 针对一般流形学习算法在学习高光谱数据的多流形结构时存在的不足,提出一种基于线性局部与全局保持嵌入(LLGPE)的多流形学习算法.对于分布在不同流形上的高维观测数据,利用LLGPE算法学习每类分组数据的内蕴特征;然后通过遗传算法搜索每类数据的本质维数;最后根据重构误差最小化准则确定样本所属的类别.在HYDICE高光谱数据集上的分类识别实验结果表明,文中算法能够有效地揭示高维空间中数据的内蕴几何结构;在每类随机选取2,4,6个训练样本的情况下,该算法的总体分类精度比其他流形学习算法分别提高了约3.5%,6.9%和7.2%,且分类精度也有明显的提高. 展开更多
关键词 高光谱影像 地物分类 多流形学习 遗传算法 本质维数
在线阅读 下载PDF
多邻域保持嵌入的人脸识别方法 被引量:3
5
作者 刘嘉敏 袁佳成 +2 位作者 彭玲 刘亦哲 罗甫林 《重庆大学学报(自然科学版)》 EI CAS CSCD 北大核心 2017年第3期88-94,共7页
现有流形学习算法在学习人脸数据时,假设所有数据点位于单一低维嵌入流形之上,当数据点实际分布在不同的流形上时,单流形假设就会影响数据真实空间结构。为此提出一种基于多邻域保持嵌入(multiple neighborhood preserving embedding,M-... 现有流形学习算法在学习人脸数据时,假设所有数据点位于单一低维嵌入流形之上,当数据点实际分布在不同的流形上时,单流形假设就会影响数据真实空间结构。为此提出一种基于多邻域保持嵌入(multiple neighborhood preserving embedding,M-NPE)的学习算法来发现不同类别数据在不同维度的低维嵌入空间中分布的多流形结构。首先,单独学习不同类别数据的流形,得到反映其本质特征的流形;再通过遗传算法搜索每个流形的最优维数;最后依据最小重构误差分类器对样本分类。在Extended Yale B和CMU PIE这2个大型人脸库上实验结果验证了该算法的有效性。 展开更多
关键词 本质维数 人脸识别 多流形学习 重构误差 多邻域保持嵌入
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部