一种基于扩散映射的非线性降维算法

被引：7

作者：

尚晓清

宋宜美

机构：

[1] 西安电子科技大学理学院

来源：

西安电子科技大学学报 | 2010年 / 37卷 / 01期

关键词：

扩散映射; 流形学习; 非线性降维;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

非线性降维方法旨在保持数据局部结构的同时,使不在一个邻域内的点之间的距离变得松弛.作为一种新的流形学习框架,扩散映射通过在扩散过程中保持扩散距离进行降维.基于扩散映射的理论背景,建立了多层谱分解的数值算法,并具体给出了用扩散映射进行非线性降维的算法.实验结果表明,与传统的非线性降维方法相比较,该算法能够发现非线性高维数据的本征维数,并且对噪声具有很好的鲁棒性.

引用

页码：130 / 135

页数：6

共 5 条

[1] 邻域参数动态变化的局部线性嵌入 [J].

文贵华 ;

江丽君 ;

文军 .

软件学报, 2008, (07) :1666-1673

[2] 基于局部线性嵌入(LLE)非线性降维的多流形学习 [J].

马瑞 ;

王家廞 ;

宋亦旭 .

清华大学学报(自然科学版), 2008, (04) :582-585

[3] 微分流形上的最优化算法 [J].

肖刚 ;

刘三阳 ;

尹小艳 .

西安电子科技大学学报, 2007, (03) :472-475+480

[4]

Diffusion maps, spectral clustering and reaction coordinates of dynamical systems[J] . Boaz Nadler,Stéphane Lafon,Ronald R. Coifman,Ioannis G. Kevrekidis.Applied and Computational Harmonic Analysis . 2006 (1)

[5] Laplacian eigenmaps for dimensionality reduction and data representation [J].

Belkin, M ;

Niyogi, P .

NEURAL COMPUTATION, 2003, 15 (06) :1373-1396

← 1 →