改进的线性局部切空间排列算法

计算机应用 ›› 2011, Vol. 31 ›› Issue (01): 247-249.

改进的线性局部切空间排列算法

李文华

长江大学计算机科学学院

收稿日期:2010-06-28 修回日期:2010-07-24 发布日期:2011-01-12 出版日期:2011-01-01
通讯作者: 李文华

Modified linear local tangent space alignment algorithm

Li WenHua

Received:2010-06-28 Revised:2010-07-24 Online:2011-01-12 Published:2011-01-01
Contact: Li WenHua

摘要/Abstract

摘要： 线性局部切空间排列算法（LLTSA）是一种能很好的适用于识别问题的非线性降维方法，但LLTSA仅仅关注了数据的局部几何结构，而没有体现数据的整体信息。本文提出了一种基于主成分分析（PCA）改进的线性局部切空间排列算法（P-LLTSA），该算法在Linear-LTSA的基础上，考虑了样本的全局结构，进而得到更好的降维效果。在经典的三维流形和在MNIST图像库手写体识别的实验中，识别率较PCA、LPP，LLTSA有明显提高，证实了该算法在识别问题中的有效性。

关键词: 主成分分析, 局部切空间, 流形学习

Abstract: Linear local tangent space alignment (LLTSA) algorithm is a non-linear dimension reducing method which can easily apply to recognition problems, it pays attention on the local geometric structure of data, but it neglects the global information of data. In this paper an improved LLTSA algorithm which based on principal component analysis (PCA) is proposed, this method take the global structure of sample into consider and contain a better reducing dimension result. In the classical experiment of 3D manifold and MNSIT image dataset script recognize, PLLTSA has a higher recognition rate contrast to PCA, LPP and LLTSA, which verify the effectiveness of PLLTSA.

Key words: Principal component analysis, Local tangent space, Manifold learning

李文华. 改进的线性局部切空间排列算法[J]. 计算机应用, 2011, 31(01): 247-249.

Li WenHua. Modified linear local tangent space alignment algorithm[J]. Journal of Computer Applications, 2011, 31(01): 247-249.

[1]	葛焌迟, 赵为华. 矩阵数据基于鲁棒主成分分析的距离加权判别分析[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2073-2079.
[2]	范贤博俊, 陈立家, 李珅, 王晨露, 王敏, 王赞, 刘名果. 鲁棒的视觉机械臂联合建模优化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 962-971.
[3]	吴明月, 周栋, 赵文玉, 屈薇. 基于流形学习的句向量优化[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3062-3069.
[4]	孟昱煜, 郭静. 信息熵改进主成分分析模型的链路预测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2823-2829.
[5]	李莉, 石可欣, 任振康. 基于特征选择和TrAdaBoost的跨项目缺陷预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(5): 1554-1562.
[6]	范莉莉, 卢桂馥, 唐肝翌, 杨丹. 基于Hessian正则化和非负约束的低秩表示子空间聚类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 115-122.
[7]	王心, 朱浩华, 刘光灿. 卷积鲁棒主成分分析[J]. 计算机应用, 2021, 41(5): 1314-1318.
[8]	陆荣秀, 陈明明, 杨辉, 朱建勇. 基于溶液图像时序特征的元素组分含量动态监测系统[J]. 计算机应用, 2021, 41(10): 3075-3081.
[9]	陈利霞, 班颖, 王学文. 基于张量核范数与3D全变分的背景减除[J]. 计算机应用, 2020, 40(9): 2737-2742.
[10]	郑延斌, 韩梦云, 樊文鑫. 基于二维主成分分析与卷积神经网络的手写体汉字识别[J]. 计算机应用, 2020, 40(8): 2465-2471.
[11]	李东博, 黄铝文. 重加权稀疏主成分分析算法及其在人脸识别中的应用[J]. 计算机应用, 2020, 40(3): 717-722.
[12]	王海鹏, 降爱莲, 李鹏翔. 牛顿-软阈值迭代鲁棒主成分分析算法[J]. 计算机应用, 2020, 40(11): 3133-3138.
[13]	张晓博, 杨燕, 李天瑞, 陆凡, 彭莉兰. 基于医疗文本数据聚类的帕金森病早期诊断预测[J]. 计算机应用, 2020, 40(10): 3088-3094.
[14]	陈莉, 陈晓云. 结合局部熵和鲁棒主成分分析的眼底图像硬性渗出物检测方法[J]. 计算机应用, 2019, 39(7): 2134-2140.
[15]	周非, 夏鹏程. 基于主成分分析和卡方距离的信号强度差指纹定位算法[J]. 计算机应用, 2019, 39(5): 1405-1410.