LE(拉普拉斯特征谱)
来源:互联网 发布:sql server与access 编辑:程序博客网 时间:2024/05/01 09:35
*LE算法
**基本思想
LE是Belkin和Niyogi在2002年提出的基于谱图理论的Laplacian特征映射算法。Belkin等人发现流形Laplician-Beltrami算子的特征函数可以实现流形的低维嵌入。其中,Lapliacian-Beltrami算子的定义为流形切空间上梯度向量的负散度函数。LE算法的主要思想是通过拉普拉斯Belrami算子来实现高维向量在低维空间的嵌入,使得高维空间中离得很近的点映射到低维空间后也应该离得很近。
**算法步骤
1)构造近邻图
定义一个包含所有样本点的图,可以使用超球标准或者k近邻标准来判断近邻。
2)近邻点边赋权
设置近邻点之间的权值,两种方式,可以使用热核函数或者简单方式。
3)特征映射
对上述建立的图,进行广义的特征分解。LY=rDY,其中D是一个对角矩阵。其对角线上的值为W每一列上权值的加和。L是G的拉普拉斯矩阵。L=D-W。特征映射的结果Y由广义特征方程中前d个最小特征对应的特征向量张成。
***算法分析
LE算法中构造近邻图和求得低维嵌入计算复杂度为O(Dn^2)和O(dn^3),设置重构权值矩阵复杂度不超过O(kDn)所以相对于LLE,LE算法需要的计算量较少,执行快。
主要缺点:
没有办法像对流形上距离较远的点不加约束,所以使得LE算法和LLE算法一样没有办法恢复同样的流形等距的低维坐标。
LE热核函数的超参数调节需要注意,不同的参数会产生完全不同的效果,调节目前需要经验的指导。
LE算法对噪声的鲁棒性较差,当采样数据存在噪声或者起一点的时候,LE算法对噪声显得比较敏感,没有办法从噪声数据中学习出其内部的几何结构。
- LE(拉普拉斯特征谱)
- 拉普拉斯特征映射(Laplacian Eigenmaps)
- Laplacian Eigenmaps 拉普拉斯特征映射
- 拉普拉斯特征图降维及其python实现
- 拉普拉斯算子(转)
- 数学狂想曲(二)——拉普拉斯变换, 随机变量的特征函数, 双曲函数和悬链线, 概率分布
- 降维算法(LASSO、PCA、聚类分析、小波分析、线性判别分析、拉普拉斯特征映射、局部线性嵌入)
- 非常见降维方法:Laplacian Eigenmaps 拉普拉斯特征映射
- 非常见降维方法:Laplacian Eigenmaps 拉普拉斯特征映射
- 拉普拉斯变换 (有问题)
- 最长回文子串(le)
- 机器学习降维算法四:Laplacian Eigenmaps 拉普拉斯特征映射
- 机器学习降维算法四:Laplacian Eigenmaps 拉普拉斯特征映射
- 高斯拉普拉斯(Laplace of Gaussian)
- (转)拉普拉斯滤波实现图像增强
- 边缘检测(梯度和拉普拉斯比较)
- 图像融合(三)-- 拉普拉斯金字塔
- 图像融合(三)-- 拉普拉斯金字塔
- stringstream的用法
- c#使用access数据库
- 百度地图-使用AndroidStudio获取 SHA1 MD5的方法
- Spring Security Web Application 之 Security Filter Chain
- 新手学 Java 子类父类 构造函数调用问题总结
- LE(拉普拉斯特征谱)
- AS快速开发
- 另一个自己
- UIColor 颜色设置[[UIColor greenColor] set].....
- MyEclipse常用快捷键大全
- Excel上传至服务器与从服务器弹框下载到本地
- eclipse中web项目的server默认部署路径
- JNI笔记 C访问java属性方法
- Android电话拨号器