吉林大学学报(工学版) ›› 2011, Vol. 41 ›› Issue (增刊1): 189-193.

• 论文 • 上一篇    下一篇

用于带边信息人脸数据的半监督维数约减算法

刘利1, 刘萍萍2, 韦佳3   

  1. 1. 惠州学院计算机科学系, 广东 惠州 516007;
    2. 吉林大学计算机科学与技术学院, 长春 130012;
    3. 华南理工大学计算机科学与工程学院, 广州 510641
  • 收稿日期:2010-12-02 出版日期:2011-09-01 发布日期:2011-09-01
  • 通讯作者: 刘萍萍(1979 ),女,讲师.博士.研究方向:智能信息处理.E-mail: liupp@jlu.edu.cn. E-mail: liupp@jlu.edu.cn
  • 作者简介:刘利(1979 ),女,讲师.研究方向:机器学习.数据挖掘.图像检索.E-mail aiul@ hzu.edu.cn.
  • 基金资助:

    国家自然科学基金项目(60906034);华南理工大学中央高校基本科研业务费专项基金项目(2009ZM0189)

Semi-supervised dimensionality reduction algorithm applying in face data with side information

LIU Li1, LIU Ping-ping2, WEI Jia3   

  1. 1. Department of Computer Science, Huizhou University, Huizhou 516007, China;
    2. College of Computer Science and Technology, Jilin University, Changchun 130012;
    3. School of Computer Science and Engineering South China University of Technology, Guangzhou 510641, China
  • Received:2010-12-02 Online:2011-09-01 Published:2011-09-01

摘要:

提出了一种基于测地线距离的半监督维数约减算法,并将其用于带边信息的人脸数据的维数约减,此算法可以充分利用边信息和数据点之间的测地线距离,从而在保留边信息的同时保留更为真实的数据拓扑结构信息。在人脸数据库上的实验结果表明,本文所提出的算法对数据降维后用于分类时可取得比其他算法更高的准确率,且对创建的KNN图中的参数K最具鲁棒性。

关键词: 人脸数据集, 半监督维数约减, 测地线距离, 边信息修正

Abstract:

An algorithm was proposed that was geodesic distance based semi-supervised dimensionality reduction for face data with side information,so it can preserve side information and more really data topology.Experiment results on face data show that data was reduced dimension by this algorithm can gain higher accuracy than other algorithms,and this algorithm is robust to parameter K of KNN graph.

Key words: face database, semi-supervised dimensionality reduction, geodesic distance, side-information revise

中图分类号: 

  • TP181


[1] Bar-Hillel A,Hertz T,Shental N,et al.Learning a mahalanobis metric from equivalence constraints
[J].Journal of Machine Learning Research,2005,6:937-965.

[2] Tang W,Zhong S.Pairwise constraints-guided dimensionality reduction
[C] ∥SDM'06Workshop onF eature Selection for Data Mining,2006.

[3] Zhang D Q,Zhou Z H,Chen S C.Semi-supervised dimensionality reduction
[C] ∥Proceeding of the7th SI-A M International Conference on Data Mining,2007.

[4] 韦佳,彭宏。基于局部与全局保持的半监督维数约减方法
[J].软件学报,2008,19(11):2833-2842.W ei Jia,Peng Hong,Local and global preservingb ased semi-supervised dimensionality redction method
[J].Journal of Software,2008,19(11):2833-2842.

[5] Jia Wei,Hong Peng.Neighbourhood preservingb ased semi-supervised dimensionality reduction
[J].E lectronics Letters,2008,44(20):1190-1192.

[6] Hakan Cevikalp,Jakob Verbeek,Frédéric Jurie,Alexander Kl & #228;ser.Semi-supervised dimensionality reduction using pairwise equivalence constraints
[C] ∥I n International Conference on Computer VisionT heory and Applications,2008.

[7] He Xiao-fei,Partha Niyogi.Locality preserving directions
[C] ∥In Advances in Neural InformationP rocessing Systems,2003.

[8] Joshua B Tenenbaum,Vinde Silva,John C Langford.A global geometric framework for nonlinear dimensionality reduction
[J].Science,2000,290(5500): 2319-2323.

[1] 白天, 冀进朝, 何加亮, 周春光. 混合属性数据聚类的新方法[J]. 吉林大学学报(工学版), 2013, 43(01): 130-134.
[2] 刘全, 杨旭东, 荆玲, 肖飞. 基于多Agent并行采样和学习经验复用的E3算法[J]. 吉林大学学报(工学版), 2013, 43(01): 135-140.
[3] 涂威威, 黎铭, 周志华. 软件缺陷因素挖掘[J]. 吉林大学学报(工学版), 2012, 42(增刊1): 382-386.
[4] 孔令富,李海涛. 基于免疫无监督分类的老年人行为分析[J]. 吉林大学学报(工学版), 2011, 41(6): 1699-1703.
[5] 许有军1,2,欧阳丹彤1,2,叶育鑫1,2,何加亮1,2. 间接使用扩展规则求解#SAT问题[J]. 吉林大学学报(工学版), 2011, 41(4): 1047-1053.
[6] 董元方1,2,李雄飞1, 李军1,3, 李巍1. XML文档分类的IL-AdaBoost算法[J]. 吉林大学学报(工学版), 2011, 41(4): 1054-1058.
[7] 詹宇斌,殷建平,李宽. 缺失像素图像集的流形学习算法[J]. 吉林大学学报(工学版), 2011, 41(03): 728-733.
[8] 田野, 刘大有. 改进的PeertoPeer环境下的聚类算法[J]. 吉林大学学报(工学版), 2010, 40(06): 1639-1643.
[9] 吕帅, 刘磊, 江鸿, 魏唯. 基于压缩编码的经典最优规划方法[J]. 吉林大学学报(工学版), 2010, 40(06): 1644-1649.
[10] 李恒杰1,郝晓弘1,曾贤强2. 基于克隆选择算法的非线性优化迭代学习控制[J]. 吉林大学学报(工学版), 2010, 40(04): 1054-1058.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!