论文部分内容阅读
非线性维数减少方法是处理高维图像数据的关键技术,已成为处理高维数据研究的热点问题.本文讨论了基于判别型半监督非线性维数减少(DSSND问题,样本的类内和类间散度判别信息用于判断当前样本对属于相同类别还是不同类别,DSSNDR采用基于高斯核和多项式核的混合核函数,先将样本以一系列"有用的"特征形式投影到一个较低维的特征空间,利于有效区分正负类样本,同时保持标定的和未标定样本的类间和类内散度的结构特征,便于有效执行半监督学习.为了进一步提高DSSNDR的分类性能,利用原始样本数据的子模式结构,提出了基于子模式的判别型半监督非线性维数减少算法(S p-DSSNDR),有效地提高了分类精度.多个典型数据集测试表明,当样本维数减少到较小程度时,Sp-DSSNDR 几乎总是取得最好的分类效果,学习能力甚至超过了经典的线性PCA与非线性KPCA和KFD.