APP下载

一种基于全局和局部特征匹配的流形对齐算法

2018-03-06徐猛,王靖

计算机工程与科学 2018年2期
关键词:实验

徐 猛,王 靖

(华侨大学计算机科学与技术学院,福建 厦门 361021)

1 引言

随着科学技术的飞速发展,现实中所获取、存储和需要处理的数据往往以非结构化的形式存在于高维观察空间中,如高分辨率图像数据、金融统计数据、视频音频数据、全球气候数据及网络文本数据等。这些数据不仅数据量庞大,而且更新速度快。因此,它们的内在规律往往难以直接观察和学习,使得原有的机器学习[1]算法很难对这些数据进行有效的处理。

如何在保持信息完整的情况下从大量数据中提取有效信息,发现其内在规律,一直是模式识别和机器学习研究的热点问题。

近年来,流形学习[2,3]在高维数据降维和数据可视化方面取得了巨大成功。这些算法包括等距映射算法(Isomap)[4]、局部线性嵌入算法LLE(Locally Linear Embedding)[5]、局部切空间排列算法LTSA(Local Tangent Space Alignment)[6]、拉普拉斯特征映射LE(Laplacian Eigen maps)[7]等。尽管这些流形学习算法在机器学习、模式识别、计算机视觉等领域得到了广泛应用,但是只能学习分布于单个流形数据的非线性特征。在现实世界的许多应用中,如跨语言信息检索[8 - 10]、姿态估计[11]、图像和文本的匹配[12]等,数据分布于多个不同流形,需要同时学习两个或者更多的数据集的非线性特征。此时,传统的流形学习算法并不适用。

为了解决这个问题,近年来学者们提出了流形对齐算法[13 - 15]。多数流形对齐算法首先学习每个流形数据集的局部几何结构,如局部近邻关系[16]、稀疏重构权[17]或基于测地距离的全局几何结构[18];然后,利用已知数据集之间的对应点信息[19]或样本点的几何结构[18,20,21]挖掘不同数据集样本点之间的关联性;……

登录APP查看全文

猜你喜欢

实验
记住“三个字”,写好小实验
记一次有趣的实验
有趣的实验
做个怪怪长实验
NO与NO2相互转化实验的改进
实践十号上的19项实验
《实验流体力学》征稿简则
我实验,我快乐