近年来,迅速发展起来的基于流形学习的数据降维方法已被广泛应用,然而此类方法大多是从保持数据的局部或者全局结构角度出发,忽略了对分类同样重要的数据多样性。针对数据降维方法忽略了数据的多样性,提出一种新的算法即基于数据多样性的判别多流形降维方法(Diversity based Discriminant Multi-manifold Learning for Dimensionality Reduction,简称DDMLDR)。此方法首先通过k近邻或者ε球准则对数据样本点重构,以此保持数据局部几何结构。其次,从局部的角度定义一种流形距离,使得流形间具有更好的可分性,从而更加有利于后续的识别与分类工作。最后利用数据的判别信息,通过图构建的方式刻画数据的多样性信息,使得DDMLDR算法能更加全面准确地刻画高维数据最本质的特征。
展开▼
