函数型聚类分析在统计学领域被广泛关注,其分析过程通常在降维目标实现后进行。为了有效解决函数型主成分聚类问题,文章结合局部线性嵌入算法(Locally Linear Embedding,LLE)在非线性空间下的适用性,提出了一种局部线性下的函数型主成...函数型聚类分析在统计学领域被广泛关注,其分析过程通常在降维目标实现后进行。为了有效解决函数型主成分聚类问题,文章结合局部线性嵌入算法(Locally Linear Embedding,LLE)在非线性空间下的适用性,提出了一种局部线性下的函数型主成分分析模型(LLE Function Principle Component Analysis,LFPCA)。首先,采用函数型主成分分析法作为降维目标方法,改进了FPCA的算法模型,通过将LLE算法的权重系数矩阵与函数型主成分定义相结合,构建出一个适用于非线性空间下的聚类算法;其次,在求解算法的过程中定义了函数型主成分得分,并结合EM算法构建出GMM模型来近似函数型算法的概率密度函数,使模型更高效且适用性更强;最后,通过随机模拟实验及应用分析验证了LFPCA算法模型在真实数据集上具有良好的聚类效能。展开更多
采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键...采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键。然而,关于K值的设置,目前尚无一个行之有效的方案。针对这一问题,文中基于监督型特征提取的思想,从"线性预测误差均值最小化"的角度出发,提出了一个监督型参数设置方法。同时,为了验证该方法的可行性和优越性,结合两个实验区Hyperion影像关于第26至57波段包含的32维光谱数据,进行了降维实验。最后,通过分析对比实验结果,证明了:采用LLE算法进行高光谱影像数据降维时,若依据文中所提方法设置的K值,能获得噪声点少且地物细节信息更加丰富的低维影像数据。展开更多
传统流形学习算法虽然是一种常用的有效降维方法,但由于其自身计算结构的限制,往往存在数据分析不足和计算时间较长等问题.为此提出一种基于谱聚类的流形学习算法(spectralclustering locally linear embedding,SCLLE),并对其机理以及...传统流形学习算法虽然是一种常用的有效降维方法,但由于其自身计算结构的限制,往往存在数据分析不足和计算时间较长等问题.为此提出一种基于谱聚类的流形学习算法(spectralclustering locally linear embedding,SCLLE),并对其机理以及优点给予了实例证明.在UCI和NCBI数据集上的实验结果表明,该算法具有较好的识别效果和计算性能.展开更多
针对局部线性嵌入算法(Local Linear Embedding,LLE)短路、离群点影响大和结构信息缺乏等问题,提出基于Kernel Rank-order距离的重构权重局部线性嵌入算法(Reconstruction weight Local Linear Embedding algorithm based on Kernel Ran...针对局部线性嵌入算法(Local Linear Embedding,LLE)短路、离群点影响大和结构信息缺乏等问题,提出基于Kernel Rank-order距离的重构权重局部线性嵌入算法(Reconstruction weight Local Linear Embedding algorithm based on Kernel Rank-order distance,KRLLE)。用核函数将样本点映射到高维使其更加线性可分,进而获得较好的近邻点集;计算重构权重系数进而得到加权重构权重,重构权重系数根据两点间相关性越大对重构贡献越大的特性来减小离群点的影响,并利用两点间的欧氏距离与测地线距离之比有效地将短路点排除在外;根据加权重构权重得到低维嵌入坐标。在ORL、Yale人脸库和MNIST手写体数据库上的实验表明,KRLLE对离群点具有更好的鲁棒性并且由于增加了结构信息,识别率得到了提高。展开更多
文摘函数型聚类分析在统计学领域被广泛关注,其分析过程通常在降维目标实现后进行。为了有效解决函数型主成分聚类问题,文章结合局部线性嵌入算法(Locally Linear Embedding,LLE)在非线性空间下的适用性,提出了一种局部线性下的函数型主成分分析模型(LLE Function Principle Component Analysis,LFPCA)。首先,采用函数型主成分分析法作为降维目标方法,改进了FPCA的算法模型,通过将LLE算法的权重系数矩阵与函数型主成分定义相结合,构建出一个适用于非线性空间下的聚类算法;其次,在求解算法的过程中定义了函数型主成分得分,并结合EM算法构建出GMM模型来近似函数型算法的概率密度函数,使模型更高效且适用性更强;最后,通过随机模拟实验及应用分析验证了LFPCA算法模型在真实数据集上具有良好的聚类效能。
文摘采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键。然而,关于K值的设置,目前尚无一个行之有效的方案。针对这一问题,文中基于监督型特征提取的思想,从"线性预测误差均值最小化"的角度出发,提出了一个监督型参数设置方法。同时,为了验证该方法的可行性和优越性,结合两个实验区Hyperion影像关于第26至57波段包含的32维光谱数据,进行了降维实验。最后,通过分析对比实验结果,证明了:采用LLE算法进行高光谱影像数据降维时,若依据文中所提方法设置的K值,能获得噪声点少且地物细节信息更加丰富的低维影像数据。
文摘传统流形学习算法虽然是一种常用的有效降维方法,但由于其自身计算结构的限制,往往存在数据分析不足和计算时间较长等问题.为此提出一种基于谱聚类的流形学习算法(spectralclustering locally linear embedding,SCLLE),并对其机理以及优点给予了实例证明.在UCI和NCBI数据集上的实验结果表明,该算法具有较好的识别效果和计算性能.
文摘针对局部线性嵌入算法(Local Linear Embedding,LLE)短路、离群点影响大和结构信息缺乏等问题,提出基于Kernel Rank-order距离的重构权重局部线性嵌入算法(Reconstruction weight Local Linear Embedding algorithm based on Kernel Rank-order distance,KRLLE)。用核函数将样本点映射到高维使其更加线性可分,进而获得较好的近邻点集;计算重构权重系数进而得到加权重构权重,重构权重系数根据两点间相关性越大对重构贡献越大的特性来减小离群点的影响,并利用两点间的欧氏距离与测地线距离之比有效地将短路点排除在外;根据加权重构权重得到低维嵌入坐标。在ORL、Yale人脸库和MNIST手写体数据库上的实验表明,KRLLE对离群点具有更好的鲁棒性并且由于增加了结构信息,识别率得到了提高。
