导读:本文包含了局部保留投影算法论文开题报告文献综述及选题提纲参考文献，主要关键词:动态特性,全局局部保留投影,支持数据向量描述,数据降维
局部保留投影算法论文文献综述
徐静,王振雷,王昕[1]（2019）在《基于动态全局局部保留投影算法的化工过程故障检测》一文中研究指出本文提出了一种新的基于动态全局局部保留投影(dynamic global-local preserving projections,DGLPP)算法和支持数据向量描述(support vector data description, SVDD)的故障检测方法。利用原始数据构造扩展矩阵来处理工业过程中的动态过程,GLPP用于降低过程数据的维数,它结合了局部保留预测(LPP)和主成分分析(PCA)的优点,同时保持了数据的全局和局部信息,利用降维后的数据建立SVDD模型监控。通过田纳西伊斯曼(TE)过程对所提出的算法进行测试,并与其他算法进行了比较。测试结果表明DGLPP-SVDD算法的有效性和优越性。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
蒋睿[2]（2016）在《基于锚点图的局部保留投影降维算法研究》一文中研究指出在很多实际的研究和应用中,数据往往以高维度的向量来表示,即所谓的“高维数据”,而这些高维数据通常可以由少量几个影响因素来表示,这就说明现实中的高维数据包含了大量的冗余信息,同时也说明了用低维向量来反映高维数据本质特征信息是有意义的。这种用低维特征来表示高维数据的过程就是降维,即数据由高维约减到低维的过程,其在众多研究领域扮演着重要的角色。由于能够很好的挖掘出高维数据之间的潜在关系,许多基于流形学习的数据降维方法已经被研究并成功的应用于机器学习和模式识别中,如等距映射(Isomap)算法、局部线性嵌入(LLE)算法和局部保留投影(LPP)算法。其中,LPP是一种线性子空间降维方法,该方法能有效地处理已知训练集和新引入的数据点。但是,随着数据规模的快速增大,这些方法在存储消耗和计算复杂度上都存在着一定的限制。为了解决这些问题,本文在LPP算法的基础上提出了一种新的基于流形的线性降维方法,叫做基于锚点图的局部保留投影(AgLPP)算法。假定给定大量的数据点集合,AgLPP首先使用聚类算法产生少量的聚类中心作为虚拟的锚点。同时,文中也对少量的锚点能够保留原有数据集的骨架结构的特点做了实验验证,因而就可以把数据点之间的邻接权重矩阵以锚点作为中间过渡分为两步进行计算。最后,基于该邻接权值矩阵,就可以得到时间复杂度和存储消耗都是与数据集规模线性相关的AgLPP方法。另外,本文也提出了AgLPP在希尔伯特空间的核化形式KAgLPP,并进一步改进它,得到AgLPP基于锚点的稀疏表示SR AgLPP,使其与核函数带宽无关。这些方法能够在有限的时间和空间内进行大规模数据的降维。最后,通过对一些真实数据集进行实验验证,证实了所提算法的有效性和效率性。(本文来源于《合肥工业大学》期刊2016-03-01）
林克正,钟岩,程卫月[3]（2015）在《代价敏感学习的稀疏局部保留投影算法》一文中研究指出针对已有的局部保留投影(locality preserving projections,LPP)算法可能将相似的类别误投影到一起,导致正确识别率降低的问题.在局部保留投影算法的基础上,提出了一种基于代价敏感学习的稀疏局部保留投影算法(cost-sensitive sparse locality preserving projections,CSLPP).该算法将代价敏感学习引入到人脸识别中,首先对样本进行代价敏感思考,然后再将样本稀疏化,最后求得最优投影向量.通过在YALE人脸库和FERET人脸库上实验,结果表明CSLPP算法在投影之前将代价考虑进去,有效的避免了高风险,该算法在最近邻分类器上的的识别率明显高出其它算法的识别率.(本文来源于《哈尔滨理工大学学报》期刊2015年03期）
刘舒天[4]（2014）在《基于稀疏表示的局部保留投影算法研究》一文中研究指出作为模式识别研究领域的一个重要分支，人脸识别技术已经成为当今社会的研究热点。早在上世纪就已经有学者开始投身于人脸识别领域，经过几十年时间的发展，人脸识别技术已经获得了非常大的进展，并且已经应用到人们的实际生活中。人脸识别技术就是通过对人脸图像进行分析，提取图像的特征数据，例如那些最具判别力的信息，来进行身份鉴别的一门技术。目前的人脸识别技术有基于单幅图像和图像集等识别方法，基于单幅图像图像识别就是每一张图像代表一个样本，而基于图像集的识别方法，就是用一个人的多幅图像来代表一个样本，构成一个图像集。人脸识别技术涉及认知心理学、图像处理学、计算机学、模式识别、计算机视觉、生理学科等诸多领域，所以参与人脸识别研究的人员也非常多，这才使得人脸识别技术得到了快速的发展。人脸识别技术虽然现在已经应用于实际生活中，但是目前技术还没有完全达到成熟状态，其依然面临着诸多的困难和挑战。在实际应用中，人脸可能会受到一些自然条件的影响，例如，光照不平衡的影响，人脸的部分遮挡问题，人脸面部表情变化问题，姿势变化问题，年龄问题等诸多噪声的影响，这些都会影响人脸识别结果的准确性。所以目前的研究重点应该是解决这些阻碍人脸识别技术发展的关键问题。本文针对人脸识别过程中遇到的一些问题进行研究分析，通过对局部保留投影（LPP）算法和稀疏表示方法的研究分析，我们发现局部保留投影（LPP）算法对人脸图像数据进行降维能够很好的保证人脸图像数据的局部近邻关系，这就使得图像样本之间在降维前后的近邻关系得以维持。另外，稀疏表示（sparse representation）的方法能够很好的解决人脸的部分遮挡问题和光照不平衡问题，对这些问题有着较强的鲁棒性，所以我们在分类的时候用稀疏表示（sparse representation）的方法来对降维后的数据进行分类。所以在本文中，我们将局部保留投影算法（LPP）和稀疏表示（sparserepresentation）的分类方法进行结合，有效的解决了相关问题对识别过程的影响，并且获得了较好的识别率。(本文来源于《吉林大学》期刊2014-12-01）
张建军,王士同[5]（2012）在《抗噪的有监督局部保留投影降维算法》一文中研究指出针对数据降维中的噪声干扰问题,提出基于L1-norm有监督局部保留投影算法SLPP-L1。SLPP-L1利用L1-norm替代了L2-norm;因为欧式距离比绝对值距离对噪声更加敏感,使得SLPP-L1抗噪性方面非常有效。实验结果表明,该方法可以有效地剔除噪声的影响并且提高分类的识别率。(本文来源于《计算机应用研究》期刊2012年05期）
张亮,黄曙光,郭浩[6]（2011）在《快速核有监督局部保留投影算法》一文中研究指出为了提取样本中的非线性模式,保持其中的流形结构以及减少投影时间,该文提出了一种快速核有监督局部保留投影算法。该算法使用有监督聚类选择法选取训练集的一个子集进行子集核主成分分析,然后在子集核主成分分析形成的子空间中进行有监督局部保留投影。实验结果表明:相对于有监督局部保留投影算法以及现有的几种流行特征提取方法,新算法能够取得更高的识别率;相对于现有的核投影算法,新算法的投影速度更快。在有些数据集上,只要普通核投影十分之一左右的时间,就能达到相同甚至更高的识别率。(本文来源于《电子与信息学报》期刊2011年05期）
王晓明,王士同[7]（2009）在《广义的监督局部保留投影算法》一文中研究指出针对监督的局部保留投影算法(Supervised Locality Preserving Projection,SLPP)在小样本情况下矩阵的奇异性问题,该文提出了一种广义的监督局部保留投影算法(Generalized Supervised Locality Preserving Projection,GSLPP)。GSLPP在大样本情况下等价于SLPP,在小样本情况下却可以等价转换到一个低维空间中来求解,从而有效解决了小样本问题。最后,实验结果验证了该方法的有效性。(本文来源于《电子与信息学报》期刊2009年08期）
申中华,潘永惠,王士同[8]（2008）在《有监督的局部保留投影降维算法》一文中研究指出针对局部保留投影(LPP)的非监督本质,提出一种称为有监督的局部保留算法(SLPP)的线性降维方法,它同时考虑类间分离性以及 LPP 中的局部保留特性.实验结果表明 SLPP 算法较其他算法优越.线性的 SLPP 算法还可通过使用核方法扩展到非线性的情况.(本文来源于《模式识别与人工智能》期刊2008年02期）
局部保留投影算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在很多实际的研究和应用中,数据往往以高维度的向量来表示,即所谓的“高维数据”,而这些高维数据通常可以由少量几个影响因素来表示,这就说明现实中的高维数据包含了大量的冗余信息,同时也说明了用低维向量来反映高维数据本质特征信息是有意义的。这种用低维特征来表示高维数据的过程就是降维,即数据由高维约减到低维的过程,其在众多研究领域扮演着重要的角色。由于能够很好的挖掘出高维数据之间的潜在关系,许多基于流形学习的数据降维方法已经被研究并成功的应用于机器学习和模式识别中,如等距映射(Isomap)算法、局部线性嵌入(LLE)算法和局部保留投影(LPP)算法。其中,LPP是一种线性子空间降维方法,该方法能有效地处理已知训练集和新引入的数据点。但是,随着数据规模的快速增大,这些方法在存储消耗和计算复杂度上都存在着一定的限制。为了解决这些问题,本文在LPP算法的基础上提出了一种新的基于流形的线性降维方法,叫做基于锚点图的局部保留投影(AgLPP)算法。假定给定大量的数据点集合,AgLPP首先使用聚类算法产生少量的聚类中心作为虚拟的锚点。同时,文中也对少量的锚点能够保留原有数据集的骨架结构的特点做了实验验证,因而就可以把数据点之间的邻接权重矩阵以锚点作为中间过渡分为两步进行计算。最后,基于该邻接权值矩阵,就可以得到时间复杂度和存储消耗都是与数据集规模线性相关的AgLPP方法。另外,本文也提出了AgLPP在希尔伯特空间的核化形式KAgLPP,并进一步改进它,得到AgLPP基于锚点的稀疏表示SR AgLPP,使其与核函数带宽无关。这些方法能够在有限的时间和空间内进行大规模数据的降维。最后,通过对一些真实数据集进行实验验证,证实了所提算法的有效性和效率性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
局部保留投影算法论文参考文献
[1].徐静,王振雷,王昕.基于动态全局局部保留投影算法的化工过程故障检测[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[2].蒋睿.基于锚点图的局部保留投影降维算法研究[D].合肥工业大学.2016
[3].林克正,钟岩,程卫月.代价敏感学习的稀疏局部保留投影算法[J].哈尔滨理工大学学报.2015
[4].刘舒天.基于稀疏表示的局部保留投影算法研究[D].吉林大学.2014
[5].张建军,王士同.抗噪的有监督局部保留投影降维算法[J].计算机应用研究.2012
[6].张亮,黄曙光,郭浩.快速核有监督局部保留投影算法[J].电子与信息学报.2011
[7].王晓明,王士同.广义的监督局部保留投影算法[J].电子与信息学报.2009
[8].申中华,潘永惠,王士同.有监督的局部保留投影降维算法[J].模式识别与人工智能.2008