一种基于ISOMAP的分类算法
DOI:
CSTR:
作者:
作者单位:

1. 常州大学
2. 江苏工业学院
3. 江南大学
4.

作者简介:

王洪元

通讯作者:

中图分类号:

基金项目:

参数化统计新模型及其在图像特征抽取中的应用;多视频序列自动配准及目标检测与跟踪技术研究;多视频序列自动配准及相关技术研究;半监督流形学习研究;流形学习及其在人脸识别中的应用


An algorithm for classification based on ISOMAP
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    提出一种解决分类任务的等测距映射算法, 该算法利用类标签信息指导高维数据的降维. 首先根据类标签
    在属于某个类的数据集上构造类内邻域图; 然后寻找类间最短距离相邻边, 并将其乘以大于1 的尺度变化因子, 使得
    降维后的类内数据更加紧凑、类间数据更加分开; 最后利用BP 神经网络构建一个近似的从原始高维数据集到低维
    数据集之间的映射函数, 通过遗传算法对BP 神经网络的初始权值和阈值进行优化, 以避免使用剃度下降算法所带来
    的局部最优问题. 实验结果表明, 分类性能有较大提高, 并对噪声有一定的鲁棒性.

    Abstract:

    An improved isometric feature mapping(ISOMAP)algorithm for classification task, called ISOMAP-C, is
    proposed, which employs label information to guide the dimensionality reduction for high dimensional datasets. Firstly,
    within-class neighborhood graphs are constructed over each sub dataset belonging to the same class according to label
    information. Secondly, the between-class neighborhood edges with the shortest distance are searched for, which is multiplied
    by scaling factor greater than one so that low dimensional dataset after mapping become more compact within class and more
    separate between classes. Finally, the mapping function from original high dimensional space to low dimensional space can
    be approximately modeled by using Back-Propagation neural network, whose initial weights and thresholds are optimized
    by using genetic algorithms to avoid local minimum using gradient decent techniques. The experimental results show that
    the performance of classification is greatly enhanced and the alsorithm has robust for noisy data.

    参考文献
    相似文献
    引证文献
引用本文

程起才 王洪元 吴小俊 刘锁兰.一种基于ISOMAP的分类算法[J].控制与决策,2011,26(6):826-830

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2010-03-09
  • 最后修改日期:2010-04-27
  • 录用日期:
  • 在线发布日期: 2011-06-20
  • 出版日期:
文章二维码