计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2014年
8期
194-200
,共7页
流形学习%邻域大小%局部欧氏性%加权主成分分析%重建误差%贝叶斯信息准则
流形學習%鄰域大小%跼部歐氏性%加權主成分分析%重建誤差%貝葉斯信息準則
류형학습%린역대소%국부구씨성%가권주성분분석%중건오차%패협사신식준칙
manifold learning%neighborhood size%local Euclidean property%weighted Principal Component Analysis (PCA)%reconstruction error%Bayesian Information Criterion (BIC)
流形学习算法能否成功应用依赖于邻域大小参数的选取是否合适,但该参数在实际中通常难以高效选取.为此,提出一种邻域大小参数的递增式选取方法.按照流形的局部欧氏性,邻域图上的所有邻域都呈线性或近似线性,邻域大小参数若合适,此时所有邻域的线性度量可聚成一类;而邻域大小参数若不合适,邻域图上就会有部分邻域不再线性,其线性度量也不能聚成一类.对邻域图上的每一个邻域执行加权主成分分析,用重建误差对其线性程度进行度量,并计算相应的贝叶斯信息准则,以探测其聚类个数,从而实现对邻域大小参数的递增式选取.实验结果表明,该方法无需任何额外参数,具有较高的运行效率.
流形學習算法能否成功應用依賴于鄰域大小參數的選取是否閤適,但該參數在實際中通常難以高效選取.為此,提齣一種鄰域大小參數的遞增式選取方法.按照流形的跼部歐氏性,鄰域圖上的所有鄰域都呈線性或近似線性,鄰域大小參數若閤適,此時所有鄰域的線性度量可聚成一類;而鄰域大小參數若不閤適,鄰域圖上就會有部分鄰域不再線性,其線性度量也不能聚成一類.對鄰域圖上的每一箇鄰域執行加權主成分分析,用重建誤差對其線性程度進行度量,併計算相應的貝葉斯信息準則,以探測其聚類箇數,從而實現對鄰域大小參數的遞增式選取.實驗結果錶明,該方法無需任何額外參數,具有較高的運行效率.
류형학습산법능부성공응용의뢰우린역대소삼수적선취시부합괄,단해삼수재실제중통상난이고효선취.위차,제출일충린역대소삼수적체증식선취방법.안조류형적국부구씨성,린역도상적소유린역도정선성혹근사선성,린역대소삼수약합괄,차시소유린역적선성도량가취성일류;이린역대소삼수약불합괄,린역도상취회유부분린역불재선성,기선성도량야불능취성일류.대린역도상적매일개린역집행가권주성분분석,용중건오차대기선성정도진행도량,병계산상응적패협사신식준칙,이탐측기취류개수,종이실현대린역대소삼수적체증식선취.실험결과표명,해방법무수임하액외삼수,구유교고적운행효솔.
