半监督的局部保留投影降维方法.docVIP

第 38 卷 第 6 期 Vol.38 No.6 计 算 机 工 程 Computer Engineering 2012 年 3 月 March 2012 ·人工智能及识别技术· 文章编号：1000—3428(2012)06—0181—03 文献标识码：A 中图分类号：TP18 半监督的局部保留投影降维方法 谈 锐 a,b，陈秀宏 a (江南大学 a. 数字媒体学院；b. 物联网工程学院，江苏 无锡 214122) 摘 要：针对现有数据降维算法不能同时利用标记样本和无标记样本的问题，提出一种半监督局部保留投影降维方法。定义类间相似度和 类内相似度，同时最大化类间分离度、最小化类内分离度，保持样本总体结构和局部结构，从而提高数据降维的效果。在人工数据集、UCI 数据库和 Olivetti 人脸库中的测试结果表明，该方法的识别率较高。 关键词：数据降维；半监督；局部结构；全局结构；相似度；分离度 Semi-supervised Locality Preserving Projection Dimensionality Reduction Method a,b, CHEN Xiu-honga TAN Rui (a. School of Digital Media; b. School of Internet of Things Engineering, Jiangnan University, Wuxi 214122, China) 【Abstract】Existing algorithms can not effectively use rich labeled and unlabeled sample contains valuable information, which is useful for dimensionality reduction. Aiming at this problem, this paper proposes a novel method called Semi-supervised Locality Preserving Projection (SSLPP). It redefines the between-class similarity and within-class similarity, which is used to maximize the between-class separability and minimizes the within-class separability. In addition, the proposed method preserves the global and locality structure of unlabeled samples. Experimental results in artificial data sets, UCI databases and Olivetti face databases show the usefulness of SSLPP. 【Key words】data dimensionality reduction; semi-supervised; local structure; global structure; similarity; separability DOI: 10.3969/j.issn.1000-3428.2012.06.059 1 概述 数据降维能够获取高维数据样本的低维表示，同时保留 原始数据中大部分的内在本质特征[1]。根据标签是否可用， 现有降维方法可分为无监督的和有监督的，其代表方法有主 成分分析(Principal Component Analysis, PCA)[2]和 Fisher 线性 判别分析(Linear Discriminant Analysis, LDA)[3]。当有足够的 标签时，使用 LDA 降维比使用 PCA 更加有效。 随着高维数据的低维非线性结构(数学上称为流形)[4]的 发现，一种新降维方法——局部保留投影(Locality Pre- serving Projection, LPP)[5]被提出。针对 LPP 没有使用类标信 息的情况，研究者提出了监督的局部保留投影(Supervised Locality Preserving Projection, SLPP)[6]算法，在标记样本中 使用类内和类间的局部结构，扩展了 LPP 及 LDA。 虽然监督降维算法在应用上取得了很好的效果，但在许 多学习任务中，对无标签数据进行大量的标定工作会耗费很 大的代价[7]。而无标签数据相对来说更容易得到，半监督数 据降维就是同时利用无标签数据及有标