重庆理工大学 计算机科学与工程系, 重庆 400054
监督局部线性嵌入算法(SLLE)通过数据点的标签信息进行高维数据在低维特征空间的映射, 针对SLLE在均匀化高维数据的分布和最小化重构代价时, 忽略类内偏离总体分布的稀疏离散数据在线性重构过程中可能错误地投影在其他超平面的情形, 引入Kmeans++算法调整样本间距离, 进行最优近邻点的选择, 从而更有效地反映数据在高维空间中的实际分布, 使降维后的数据具备更好的可分性。通过ORL以及Yale人脸数据集上的仿真实验, 结果显示, 该方法具有更强的泛化能力及更高的识别率。
降维 监督局部线性嵌入算法 最优近邻点 人脸识别 聚类算法 dimensionality reduction supervised local linear embedding algorithm optimal nearest neighbor face recognition clustering algorithm
