局部敏感的半监督鉴别分析方法  

Semi-supervised discriminate analysis method with locality sensitive

作　　者：曾青松[1,2] 贺卫国[3] 

机构地区：[1]广州番禺职业技术学院信息工程学院,广东广州511483 [2]中山大学信息科学与技术学院,广东广州510275 [3]广东商学院信息学院,广东广州510320

出　　处：《计算机工程与设计》2010年第10期2283-2286,共4页Computer Engineering and Design

基　　金：国家自然科学基金项目(70781043)

摘　　要：为解决图像处理中的高维特征在模式分类中带来的问题,提出一种基于半监督学习理论的数据降维方法,称为局部敏感的半监督鉴别分析算法。为能够发现局部的流形结构,算法寻找一个能够最小化类内距离的同时最大化类间距离的投影,并且在最优化过程中充分利用无标签数据,控制局部邻域的散度。在人脸识别数据库和行为数据库中的测试结果表明了该算法是有效的。To solve high-dimensional feature in the pattern classification problems,a data dimensionality reduction method using semi-supervised learning is presented,called locality sensitive semi-supervised discriminate analysis（LSSDA）.By discovering the local manifold structure for discriminant analysis,LSSDA finds a projection which minimizes the with-class distance while maximize the between-class distance.The unlabeled data is used as regulatory factors during the optimize process.Extensive experimental results on face recognition database and action recognition database demonstrate the proposed algorithm has an encouraging recognition performation.

关 键 词：特征提取 半监督学习 线性鉴别分析 数据降维 主成份分析 

分 类 号：TP391.41[自动化与计算机技术—计算机应用技术]