公开(公告)号：CN106126474A

公开(公告)日：2016-11-16

申请号：CN201610234826.3

申请日：2016-04-13

Applicant: 扬州大学

Inventor： 何萍 ,  敬田禹 ,  徐晓华 ,  林惠惠

IPC: G06F17/12 ,  G06F17/15

CPC classification number: G06F17/12 ,  G06F17/15

Abstract: 本发明涉及一种基于局部样条嵌入的线性分类方法。本发明输入训练数据和测试数据，训练数据的有监督的局部样条嵌入降维，包括构建类内图、类间图选取邻域，构建训练数据点的类内局部切空间和类间局部切空间，获得训练数据点的全局低维坐标，得到对应的最佳线性映射，将测试数据映射至低维流形中去，K近邻分类对降维后的测试数据进行分类，得到测试数据的类别标签。本发明克服了过去没有全面的分析数据的类内近邻图和类间近邻图和利用训练数据的类别信息的缺陷。本发明大大降低了数据的复杂程度，提高了数据的可观测性和可判别性，有助于大大改善对高维流形上数据的分类准确率。

公开(公告)号：CN106022361A

公开(公告)日：2016-10-12

申请号：CN201610316765.5

申请日：2016-05-10

Applicant: 扬州大学

Inventor： 何萍 ,  敬田禹 ,  徐晓华 ,  林惠惠

IPC: G06K9/62

CPC classification number: G06K9/6286 ,  G06K9/6269

Abstract: 本发明涉及一种基于局部样条嵌入的核化分类器。本发明选择训练数据和测试数据，训练数据的基于局部样条嵌入的非线性降维，根据已获得的训练数据的最佳非线性嵌入对测试数据使用核方法推导出其扩展形式，即获得测试数据在低维流形上的非线性嵌入，使用线性的支持向量机算法对降维后的测试数据进行分类。本发明克服了无法在非线性分类问题上达到很好的分类性能的缺陷。本发明采用局部样条嵌入的非线性降维算法对高维有标签数据降维，再对高维有标签数据进行了特征提取，然后将新的无标签高维测试数据的嵌入，最后根据数据特点使用SVM算法实现对新的测试数据的分类。