摘要：精确的癌症分类对于癌症的成功诊断和治疗是必不可少的.半监督维数约减算法在干净的数据集上表现得很好,然而当面临噪声时,当前的大部分算法所构造的邻域结构是拓扑不稳定的.为了克服这一问题,文中提出了一种基于随机子空间的半监督维数约减算法(RSSSDR),将随机子空间与半监督维数约减算法结合起来.在数据集的不同随机子空间上,该算法首先设计多个不同的子图,然后将这些子图联合起来构成一个混合图并在其上进行维数约减.该算法通过最小化局部重构误差来确定邻域图的边权值,在保持癌症数据集局部结构的同时能够保持其全局结构.在公共癌症数据集上的实验结果表明,RSSSDR算法具有较高的分类准确率和较好的参数鲁棒性.

摘要：线性判别回归分类算法没有考虑到类内距离和类间距离,为此提出一种基于线性判别回归与局部判别分析的维数约简算法(LDRFDR),同时利用类内和类间重构误差、以及类内和局部类间距离获得投影矩阵。其物理含义是为各个类尽量寻找相互之间离得最远的线性子空间,其中类内距离与类间距离还考虑数据的局部性,避免最大化相离太远的类间样本对优化目标造成影响。实验结果表明,LDRFDR算法的维数约简性能优于其它半监督维数约减算法。

摘要：考虑到已有的半监督维数约减方法在利用边信息时将所有边信息等同,不能充分挖掘边所含信息,提出加权成对约束半监督局部维数约减算法(WSLDR)。通过构建近邻图对边信息进行扩充,使边信息数量有所增加。另外,根据边所含信息量的不同构建边的权系数矩阵。将边信息融入近邻图对其进行修正,对修正后的近邻图和加权的成对约束寻找最优投影。算法不仅保持了数据的内在局部几何结构,而且使得类内数据分布更加紧密,类间数据分布更加分散。在UCI数据集上的实验结果验证了该算法的有效性。

摘要：典型相关分析(CCA)是一种无监督的子空间学习算法,加入标签信息可以提高典型相关特征的判别力.为了有效地利用样本的标签信息,借鉴相对属性的思想,提出一种利用相对强度的监督CCA(SCCA)算法.该算法在使得2组典型投影之间具有最大的相关系数的同时,典型投影的每一维特征的大小能够表示不同样本在其上的相对强度;采用异类样本间在每个低维特征上的差异大于同类样本间差异的策略,使得典型投影的每个特征都具有较好的鉴别力.在多特征手写体数字、人脸图像以及一般对象数据库上的实验结果表明,SCCA算法具有较好的识别效果,优于已有的典型相关特征抽取算法.

摘要：利用向量空间模型表示的文本邮件数据具有高维性,不利于邮件过滤模型的建立,需要对数据进行降维处理。最大间隔Semi-NMF(max-margin semi-nonnegative matrix factorization,MNMF)能够同时实现维数约减和邮件分类,而图正则化NMF能保持数据空间的几何结构。基于以上两种NMF改进模型,提出了图正则化MNMF(graph regularized MNMF,GMNMF)算法,并设计了一个迭代的求解算法。将GMNMF算法及其他相关算法用于中文垃圾邮件过滤实验,结果表明GMNMF算法构建的过滤模型要优于其他较好的算法构建的过滤模型。

摘要：基于内容图纸检索是图纸重用的关键技术,空间关系是图纸的内容的主要特征。由于空间关系描述复杂、特征向量的维数很高,在基于内容图纸检索中很难应用空间关系匹配。为了克服这些问题,提出了约简拓扑关系的方法,采用图谱方法提取拓扑特征向量,实现了特征向量的维数约减,从而通过多维索引技术有效地加速图纸检索。综合拓扑关系、形状和方位关系作为图纸内容,有效地提高了系统查准率和查全率,通过脱机方式提取拓扑关系和形状的特征向量,而联机方式提取方位关系特征向量,提高了系统检索效率。

摘要：维数约减问题出现在信息处理的许多方面,非线性方法主要有局部线性嵌入LLE(LocallyLinear Embedding)、拉普拉斯特征映射(Laplacian E igenmap)、基于Hessian矩阵的LLE等,它们通过在高维空间中设计数据集所在流形的拓扑、几何等特性,很好地弥补了线性降维不能发现数据集非线性结构的不足。其中局部线性嵌入这种非监督学习算法应用广泛,在此基础上将其用于作为雷达目标识别的五种飞机数据,取得了很好的效果。