一种基于Fisher准则的嵌入流形回归模型制造技术

一种基于Fisher准则的嵌入流形回归模型，包括：初始化，将训练样本用矩阵表示，xm对应的类别标签是l(xm)∈{1,2,…,c}；对训练样本进行预处理：将训练样本映射到主成分分析子空间；建立相似矩阵，利用Fisher准则，将类内样本和类间样本分开处理；计算嵌入子空间：定义D×d的映射矩阵W＝[ω1…ωd]，d是特征转换后样本的维数，通过求解矩阵的特征向量来寻找映射子空间；样本从原始高维空间到低维流形空间的转换形式为yi＝WTxi＝F(xi)，用矩阵表示为：Y＝WTX＝F(X)，Y＝[y1,…,yM]。本发明专利技术在充分利用样本的标签信息的前提下，使降维前后同类样本保持局部几何结构，而使在原始空间不同类别但相似度高的样本在降维后相似度减小。

【技术实现步骤摘要】

本专利技术涉及一种嵌入流形回归模型。特别是涉及一种利用标注信息和线性回归模型，对传统的流形学习和线性判别分析进行改进的基于Fisher准则的嵌入流形回归模型。
技术介绍
子空间学习和特征提取是机器视觉和模式识别领域的一个重要研究方向，当前普遍的方法是寻找一个映射矩阵将原始输入空间中的特征转换到低维的子空间中，传统的方法有主成分分析(Principal component analysis,PCA),独立成分分析(Independent component analysis，ICA)等未利用标签信息的无监督学习方法；以及线性判别分析(Linear discriminative analysis，LDA)等利用训练样本标签信息的监督学习方法，以及这些学习方法的核变种，这些方法大多使用欧式距离来衡量样本之间的相似度，然而测地线距离能在宏观层面上较真实地反映数据中所隐含的几何结构，所以利用流形学习方法将原始样本特征投影到流形空间往往可以得到更好的分类效果，当前利用流形学习的算法主要利用图嵌入的方式对非线本文档来自技高网...

【技术保护点】
一种基于Fisher准则的嵌入流形回归模型，其特征在于，包括如下步骤：1)初始化，设有c个类共有M个训练图像样本，每幅图像样本的大小为a×b，用矩阵来表示，其中m＝1,2,...,M，将每一个图像矩阵转换成列向量，用表示，D＝a×b，所以训练样本用矩阵表示，xm对应的类别标签是l(xm)∈{1,2,...,c}；2)对训练样本进行预处理：将训练样本映射到主成分分析子空间；3)建立相似矩阵，利用Fisher准则，将类内样本和类间样本分开处理，定义两个都是M个节点的类内亲和图GB和类间亲和图GW，每个节点代表一个样本，对于类内亲和图GB，只考虑属于同类的样本数据对xi，xj，l(xi)＝l(xj)...

【技术特征摘要】
1.一种基于Fisher准则的嵌入流形回归模型，其特征在于，包括如下步骤：
1)初始化，设有c个类共有M个训练图像样本，每幅图像样本的大小为a×b，用矩阵
来表...

【专利技术属性】
技术研发人员：冀中，于云龙，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12