论文部分内容阅读
降维是在损失较少信息的情况下处理高维图像数据的关键技术，是高维数据预处理的重要步骤。本文研究了基于配对约束和混合核函数的半监督非线性降维方法KS2DR,该方法可有效利用标签和未标签的样本执行半监督学习·基于配对约束形式的领域知识被用于判断当前样例是属于相同类(相似约束)还是不同类(不相似约束)·KS2DR先将样本数据投影成一系列“有用的”特征形式，同时保持原始数据以及定义在投影后的低维特征空间中的相似约束与不相似约束下样本的内部结构特征，使样本在投影空间中容易有效地区分。通过大量的分类任务和数据可视化研究，结果表明，当样本数据的维数被减少到一个较低的水平时，KS2DR的性能表现的更为优越，几乎总是取得较高的分类精确，随着投影维数的不断变化，算法体现出广泛的适应性和良好的学习能力。在相同的测试条件下，KS2DR算法运行花费较少时间，其整体性能甚至优于典型的PCA，KPCA和KFD方法。