主权项 |
一种基于有监督图的直推式数据降维方法,包括如下步骤:(1)输入n=F×P幅原始图像,对这些图像进行校准和对齐,将其裁剪为相同尺寸,其中F为原始图像类别数,P为每一类图像的张数;(2)将每幅图像像素点的灰度特征值按行取出并顺序排列形成一个d维行向量x<sub>j</sub>,组成一个n×d的矩阵,对该矩阵的每一行进行归一化,得到原始矩阵X=(x<sub>1</sub>,x<sub>2</sub>,...,x<sub>n</sub>);(3)将每幅图像的类标顺序排列形成一个n维列向量,即类标向量G,其中无标记样本的类标为0;(4)根据原始矩阵X,计算第一拉普拉斯矩阵L;(5)根据类标向量G,计算第二拉普拉斯矩阵L<sup>l</sup>;(6)根据第一拉普拉斯矩阵L和第二拉普拉斯矩阵L<sup>l</sup>,计算有监督图的相似度矩阵S:S=(I+αL+βL<sup>l</sup>)<sup>‑1</sup>(αL+βL<sup>l</sup>),其中,I为单位矩阵,α是K近邻图影响因子,β是类内无向图影响因子;(7)根据类标向量G,计算类间权重矩阵W<sup>c</sup>;(8)根据有监督图的相似度矩阵S和类间权重矩阵W<sup>c</sup>,计算投影矩阵E:选取特征维数r={5,10,...,50},利用下式求解广义特征值:X<sup>Τ</sup>SXa=λX<sup>Τ</sup>(D‑γW<sup>c</sup>)Xa,其中,a是特征向量,λ是特征值,γ是类间无向图影响因子;将求解得到的特征值按绝对值从大到小的顺序排列,选择前r个绝对值大的特征值对应的特征向量a<sub>i</sub>,顺序排列得到投影矩阵E=(a<sub>1</sub>,a<sub>2</sub>,...,a<sub>i</sub>,...a<sub>r</sub>);(9)根据投影矩阵E计算降维后的矩阵Y=XE。 |