针对潜在低秩表示学习的投影矩阵不能解释提取特征重要程度和保持数据的局部几何结构的问题,提出了一种基于双邻域和特征选择的潜在低秩稀疏投影算法(LLRSP:Latent Low-Rank And Sparse Projection)。该算法首先融合低秩约束和正交重构...针对潜在低秩表示学习的投影矩阵不能解释提取特征重要程度和保持数据的局部几何结构的问题,提出了一种基于双邻域和特征选择的潜在低秩稀疏投影算法(LLRSP:Latent Low-Rank And Sparse Projection)。该算法首先融合低秩约束和正交重构保持数据的主要能量,然后对投影矩阵施加行稀疏约束进行特征选择,使特征更加紧凑和具有可解释性。此外引入l_(2,1)范数对误差分量进行正则化使模型对噪声更具健壮性。最后在低维数据和低秩表示系数矩阵上施加邻域保持正则化以保留数据的局部几何结构。公开数据集上的大量实验结果表明,所提方法与其他先进算法相比具有更好的性能。展开更多
文摘针对潜在低秩表示学习的投影矩阵不能解释提取特征重要程度和保持数据的局部几何结构的问题,提出了一种基于双邻域和特征选择的潜在低秩稀疏投影算法(LLRSP:Latent Low-Rank And Sparse Projection)。该算法首先融合低秩约束和正交重构保持数据的主要能量,然后对投影矩阵施加行稀疏约束进行特征选择,使特征更加紧凑和具有可解释性。此外引入l_(2,1)范数对误差分量进行正则化使模型对噪声更具健壮性。最后在低维数据和低秩表示系数矩阵上施加邻域保持正则化以保留数据的局部几何结构。公开数据集上的大量实验结果表明,所提方法与其他先进算法相比具有更好的性能。
文摘针对原始局部保持投影(LPP:Local Preserving Projection)算法难以准确获取非均匀高维数据的局部流形结构且未利用样本类别信息的缺陷,提出一种多信息融合的局部保持投影算法(MIF-LPP:Multi-Information Fusion Local Preserving Projection)。该算法使用改进后的标准欧氏距离获取样本的近邻和互邻信息,降低了样本点分布不均和不同维度数据量纲差异的影响。通过融合样本的类别信息构造权值矩阵,进而获得数据的低维本质流形。最后,分别在CWRU(Case Western Reserve University)数据集和本实验室轴承数据集上验证该算法的有效性。实验结果表明,MIF-LPP算法的特征提取性能明显优于其他算法,并且对邻域值具有鲁棒性。