一种增量式类内局部保持降维算法

摘要：

针对在线学习中的算法效率问题,提出了一种增量式类内局部保持降维算法.该算法综合考虑了基于QR分解的降维算法与保类内Fisher判别分析法的优点,根据训练过程中新增的样本进行投影矩阵在线更新,克服了传统的批量式训练方法在线学习时计算量过分冗余的缺陷.同时,通过兼顾输入样本的局部结构和全局分布状态,使得该算法能够有效地应用于多簇、重叠的数据形态.在ORL人脸库和COIL20图像库上的实验表明,该增量式算法不仅在降维效果上基本与批量式算法保持一致,而且具有较大的效率优势.

关键词：在线学习、局部保持、特征降维

所属期刊栏目：39

分类号：TP3;TM7

资助基金：国家自然科学基金项目61070043

在线出版日期：2013-01-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：154-158