期刊文献+

基于测地线距离的核密度判别法

Kernel density discriminant method based on geodesic distance
分享 导出
摘要 利用Isomap降维方法计算可以反映流形几何结构的测地线距离,用测地线距离代替欧氏距离,结合核密度估计,提出基于测地线距离的核密度判别法.模拟数据和真实数据测试结果显示,该方法判别效果良好. By using Isomap dimension reduction methods,we substitute the Euclidean distance with the geodesic distance which can reflect the manifold geometry.Combining with kernel density estimation,the geodesic distance discriminant method is constructed that works well on the simulation and real data.
作者 刘文丽 吕书龙 梁飞豹 LIU Wen-li,Lü Shu-long,LIANG Fei-bao(College of Mathematics and Computer Science,Fuzhou University,Fuzhou,Fujian 350108,China)
出处 《福州大学学报:自然科学版》 CAS CSCD 北大核心 2011年第6期 807-810,818,共5页 Journal of Fuzhou University(Natural Science Edition)
基金 福州大学科技发展基金资助项目(2011-XY-19) 福州大学研究生教育研究资助项目(09AY09)
关键词 ISOMAP 测地线 核密度估计 判别 Isomap geodesic curves kernel density estimation discriminant
作者简介 通讯作者:刘文丽(1978-),讲师,E—mail:freelyny28@126.com
  • 相关文献

参考文献14

  • 1陈维恒,李兴校.黎曼几何引论[M].北京:北京大学出版社,2002. 被引量:2
  • 2白正国,沈一兵,水乃翔,等.黎曼几何引论[M].北京:高等教育出版社,2004. 被引量:1
  • 3Jurgen Jost. Riemannian geometry and geometric analysis[ M ]. Berlin: Springer- Verlag, 2002. 被引量:1
  • 4Tenenbaum J B, Silva V D, Langford J C. A global geometric framework for nonlinear dimensionality reduction [ J ]. Science, 2000, 290:2319-2322. 被引量:1
  • 5孟德宇,徐晨,徐宗本.基于Isomap的流形结构重建方法[J].计算机学报,2010,33(3):545-555. 被引量:14
  • 6伍鸿熙等著..黎曼几何初步[M],1989:311.
  • 7王晓东..数据结构与算法[M],2003.
  • 8吴喜之编著..非参数统计[M],2006:220.
  • 9Givens G H,Hoeting J A.计算统计[M].王兆军,等译.北京:人民邮电出版社,2009. 被引量:11
  • 10毛国军,段立娟,王实,等.数据挖掘原理与算法[M].北京:清华大学出版社,2005. 被引量:19

二级参考文献41

  • 1谭璐,吴翊,易东云.基于LLE方法的本征维数估计[J].模式识别与人工智能,2006,19(1):7-13. 被引量:7
  • 2詹德川,周志华.基于流形学习的多示例回归算法[J].计算机学报,2006,29(11):1948-1955. 被引量:14
  • 3Tenenbaum J B, Silva V de, Langford J C. A Global Geometric Framework for Nonlinear Dimensionality Reduction [J]. Science (S0036-8075), 2000, 290(5500): 2319-2323. 被引量:1
  • 4Roweis S T, Saul L K. Nonlinear Dimensionality Reduction by Locally Linear Embedding [J]. Science (S0036-8075), 2000, 290 (5500): 2323-2326. 被引量:1
  • 5Belkin M, Niyogi P. Laplacian Eigenmaps for Dimensionality Reduction and Data Representation [J]. Neural Computation (S0899-7667), 2003, 15(6): 1373-1396. 被引量:1
  • 6Verleysen M. Learning High-Dimensional Data [C]//Ablameyko S, et al, eds. Limitations and Future Trends in Neural Computation. Amsterdam, The Netherlands: IOS Press, 2003: 141-162. 被引量:1
  • 7BruskeJ, Sommer G. Intrinsic Dimensionality Estimation with Optimally Topology Preserving maps [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence (S0162-8828), 1998, 120(5): 572-575. 被引量:1
  • 8Kegl B. Intrinsic Dimension Estimation using Packing Numbers [C]// Procs. of the Conference on Neural Information Processing Systems, Vancouver, Canada. Cambridge, USA: MIT Press, 2002: 681-688. 被引量:1
  • 9Mardia K V, Kent J T, Bibby J M. Multivariate Analysis [M]. London, UK: Academic Press, 1979. 被引量:1
  • 10Samko O, Marshall A D, Rosin P L. Selection of the Optimal Parameter Value for the Isomap Algorithm [J]. Pattern Recognition Letters (S0167-8655), 2006, 27(7): 968-979. 被引量:1

共引文献52

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部 意见反馈