| 半监督拉普拉斯特征映射算法 |
| |
| 引用本文： | 刘海红,周聪辉.半监督拉普拉斯特征映射算法[J].计算机工程与设计,2012,33(2):601-606. |
| |
| 作者姓名： | 刘海红 周聪辉 |
| |
| 作者单位： | 1. 华侨大学计算机科学与技术学院,福建厦门,361021
2. 香港中文大学计算机科学与工程学系,香港,999077 |
| |
| 基金项目： | 福建省自然科学基金项目，华侨大学科研基金项目 |
| |
| 摘 要： | 为了使流形学习方法具有半监督的特点,利用流形上某些已知低维信息的数据去学习推测出其它数据的低维信息,扩大流形学习算法的应用范围,把拉普拉斯特征映射算法(Laplacian Eigenmap,LE)与半监督的机器学习相结合,提出一种半监督的拉普拉斯特征映射算法(semi-supervised Laplacian Eigenmap,SSLE),这种半监督的流形学习算法在分类识别等问题上,具有很好的效果.模拟实验和实际例子都表明了SSLE算法的有效性.
|
| 关 键 词： | 拉普拉斯特征映射算法 半监督机器学习 流形学习 低维信息 模式识别 |
Semi-supervised Laplacian Eigenmap |
| |
| LIU Hai-hong
,
ZHOU Cong-hui.Semi-supervised Laplacian Eigenmap[J].Computer Engineering and Design,2012,33(2):601-606. |
| |
| Authors: | LIU Hai-hong ZHOU Cong-hui |
| |
| Affiliation: | 1.College of Computer Science and Technology,Huaqiao University,Xiamen 361021,China; 2.Department of Computer Science and Engineering,Chinese University of Hong Kong,Hong Kong 999077,China) |
| |
| Abstract: | How incorporate manifold learning and semi-supervised machine learning to extend the manifold learning algorithm.One way is to use the prior information in the form of on-manifold coordinates of certain data samples to compute the low-dimension coordinates of the other data samples.Combined Laplacian Eigenmap(LE) with semi-supervised machine learning,a semi-supervised Laplacian Eigenmap(SSLE) is presented.Simulation and real examples show that SSLE is more effective in clasaification and recognition field. |
| |
| Keywords: | Laplacian Eigenmap semi-supervised machine learning manifold learning low-dimensional information pattern recognize |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
|
