主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第7期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
曾宪华,罗四维,王娇,赵嘉莉.基于测地线距离的广义高斯型Laplacian 特征映射.软件学报,2009,20(4):815-824
基于测地线距离的广义高斯型Laplacian 特征映射
Geodesic Distance-Based Generalized Gaussian Laplacian Eigenmap
投稿时间:2008-03-21  修订日期:2008-07-24
DOI:
中文关键词:  流形学习  Laplacian 特征映射  广义高斯函数  测地线距离  集成
英文关键词:manifold learning  Laplacian eigenmap  generalized Gaussian function  geodesic distance  ensemble
基金项目:Supported by the National Natural Science Foundation of China under Grant Nos.60773016, 60373029 (国家自然科学基金); the National High-Tech Research and Development Plan of China under Grant No.2007AA01Z168 (国家高技术研究发展计划(863)); the National Research Foundation for the Doctoral Program of Higher Education of China under Grant No.20050004001 (国家教育部博士点基金); the Scientific Research Foundation of Sichuan Provincial Education Department of China under Grant No.07ZA121 (四川教育厅重点项目)
作者单位
曾宪华 北京交通大学 计算机与信息技术学院,北京 100044
西华师范大学 计算学院,四川 南充 637002 
罗四维 北京交通大学 计算机与信息技术学院,北京 100044 
王娇 北京交通大学 计算机与信息技术学院,北京 100044 
赵嘉莉 北京交通大学 计算机与信息技术学院,北京 100044 
摘要点击次数: 3536
全文下载次数: 5268
中文摘要:
      传统的Laplacian 特征映射是基于欧氏距离的近邻数据点的保持,近邻的高维数据点映射到内在低维空间后仍为近邻点,高维数据点的近邻选取最终将影响全局低维坐标.将测地线距离和广义高斯函数融合到传统的Laplacian 特征映射算法中,首先提出了一种基于测地线距离的广义高斯型Laplacian 特征映射算法(geodesicdistance-based generalized Gaussian LE,简称GGLE),该算法在用不同的广义高斯函数度量高维数据点间的相似度时,获得的全局低维坐标呈现出不同的聚类特性;然后,利用这种特性进一步提出了它的集成判别算法,该集成判别算法的主要优点是:近邻参数K 固定,邻接图和测地线距离矩阵都只构造一次.在木纹数据集上的识别实验结果表明,这是一种有效的基于流形的集成判别算法.
英文摘要:
      The conventional Laplacian Eigenmap preserves neighborhood relationships based on Euclidean distance, that is, the neighboring high-dimensional data points are mapped into neighboring points in the low-dimensional space. However, the selections of neighborhood may influence the global low-dimensional coordinates. In this paper, both the geodesic distance and generalized Gaussian function are incorporated into Laplacian eigenmap algorithm. At first, a generalized Gaussian Laplacian eigenmap algorithm based on geodesic distance (GGLE) is proposed. The global low-dimensional coordinates obtained by GGLE have different clustering properties when different generalized Gaussian functions are used to measure the similarity between the high-dimensional data points. Then, this paper utilizes these properties to further propose the ensemble-based discriminant algorithm of the above-motioned GGLE. The main advantages of the ensemble-based algorithm are: The neighborhood parameter K is fixed and to construct the neighborhood graph and geodesic distance matrix needs one time only. Finally, the recognition experimental results on wood texture dataset show that it is an efficient ensemble discriminant algorithm based on manifold.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利