基于非线性维数约减的模式识别

【摘要】：通过各种捕捉设备获取的多媒体数据通常是高维的，它们不适合通常在少量特征上能够准确分类的分类器。因此需要基于维数约减的特征抽取过程来去除或弱化那些不重要的特征，而保留或加强那些对于分类有意义的特征。决定现实世界演化的背景机制通常是非线性的，传统的线性维数约减方法(如主成分分析法(PCA))在把数据映射到低维空间时，通常不能保留原高维数据的内在非线性结构和特征。因此非线性的方法(如等距映射法(Isomap)、局域线性嵌入法(LLE)等)应运而生，它们的优点是具有较少的参数需要设置，而且使用非迭代的方法去求解从而可以避免陷入局部极小。 原始的非线性维数约减算法是无监督的，不能直接用于模式识别。在本文中我们对原始的算法进行修改，加入样本的分类信息进行维数约减，然后对一个简单的分类器进行训练，这就形成了一个简单的模式识别原型系统。通过使用人脸库等数据进行测试，取得了比传统的线性特征提取方式更好的效果。