基于自组织的鲁棒非线性维数约减算法

被引：4

作者：

侯越先

丁峥

何丕廉

不详

机构：

[1] 天津大学计算机科学与技术系

[2] 天津大学计算机科学与技术系天津

[3] 天津

来源：

计算机研究与发展 | 2005年 / 02期

关键词：

非线性维数约减; 自组织; 鲁棒性; 机器学习;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

现有的非线性维数约减算法需要求解大尺度特征值问题由于特征值问题至少二次的计算复杂性 ,这类算法在大样本集上的应用较受限制此外 ,现有算法的全局优化机制对于噪声较为敏感 ,且需要考虑“病态矩阵”的计算精度问题提出时间复杂性为O (NlogN)的自组织非线性维数约减算法SIE SIE的主要计算过程是局域的 ,可提高算法抗噪性、回避病态矩阵的计算精度问题仿真表明 ,对于无噪数据和含噪数据 ,SIE均可获得优化或近似优化的重构质量

引用

页码：188 / 195

页数：8

共 13 条

[1]

Nonlinear dimensionality reduction by locally linear embedding. Sam T. Roweis, et al. Science . 2000

[2]

TheArtofComputerProgramming. D E Knuth. Ad disonWesley . 1998

[3]

NIPS[P]. 英国专利:GB9914394D0,1999-08-18

[4]

A self-organizing principle for learning nonlinear manifolds. Dimitris K. Agrafiotis, et al. PNAS Early Edition . 2002

[5]

Multivariate Analysis. K. V. Mardia, J. T. Kent, J. M. Bibby. . 1979

[6]

Matrix Pencils. Y Saad. SpringerVerlag . 1983

[7]

Donoho et al.Hessian eigenmaps: Locally linear embedding techniques for high-dimensional data. David L. Proceedings of the National Academy of Sciences of the United States of America . 2003

[8]

Nonlinear time series analysis. HKantz,TSchreiber. Cambridge University Press . 1997

[9]

Introduction to Algorithms (2nd edition). Cormen, Leiserson, Rivest, Stein. . 2001

[10]

A global geometric framework for nonlinear dimensionality reduction. Joshua B. Tenenbaum, et al. Science . 2000

← 1 2 →