方冰武;黄志秋;李勇;王勇 \基于鉴别稀疏邻域保持嵌入的（upsilon）-支持向量机。 （英语） Zbl 1425.68344号 PAA，模式分析。申请。 20,1077-1089（2017）第4期. 小结：在本文中，我们主要关注两个问题（1）SVM对噪声非常敏感。（2） SVM的求解没有考虑数据的内在结构和判别信息。为了解决这两个问题，我们首先提出了一个集成模型，将局部流形结构和局部判别信息集成到\（\ell_1\）图嵌入中。然后，我们将集成模型添加到（upsilon）-支持向量机的目标函数中。因此，提出了一种鉴别稀疏邻域保持嵌入（upsilon）-支持向量机（upsillon）-DSNPESVM）方法。理论分析表明，（upsilon）-DSNPESVM是一种合理的最大边缘分类器，通过最小化积分模型和边缘误差上界，可以获得很低的泛化误差上界。此外，在非线性情况下，我们为（upsilon）-DSNPESVM构造了基于核稀疏表示的（ell_1）图，这比在原始空间中构造的（ell_1）图更有利于提高分类精度。在实际数据集上的实验结果表明了所提出的（upsilon）-DSNPESVM方法的有效性。 理学硕士： 68T05型 人工智能中的学习和自适应系统 68吨10 模式识别、语音识别 关键词：流形学习;局部流形结构;目标函数;裕度误差 软件：UCI-毫升;耶鲁人脸 PDF格式BibTeX公司 XML格式引用 \textit{B.Fang}等人，PAA，模式分析。申请。20，第4号，1077-1089（2017年；兹bl 1425.68344） 全文： 内政部 参考文献： [1] Vapnik V（1995）统计学习理论的本质。纽约州施普林格·Zbl 0833.62008号 ·数字对象标识代码：10.1007/978-1-4757-2440-0 [2] Scholkopf B、Mika S、Burges CJC、Knirsch P、Muller KR、Ratsch G、Smola AJ（1999），基于内核的方法中的输入空间与特征空间。IEEE Trans神经网络10（5）：1000-1017·数字对象标识代码：10.1109/72.788641 [3] Tao WJ，Wang ST，Hu WJ，Ying WH（2010）具有磁场效应的ρ-边缘核学习机，用于二进制分类和新颖性检测。国际J软件通知4（3）：305-324 [4] 王玉强，王雪英，赖KK（2005）一种新的模糊支持向量机在信用风险评估中的应用。IEEE Trans Fuzzy系统13（6）：820-831·doi:10.1109/TFUZZ.2005.859320 [5] Qian MJ，Nie FP，Zhang CS（2009）概率标记半监督SVM。2009年IEEE数据挖掘研讨会国际会议，第394-399页 [6] Qian MJ，Nie FP，Zhang CS（2009）高效多类无标记约束半监督SVM。第18届ACM信息和知识管理会议记录，第1665-1668页 [7] 陶德华，唐晓霞，李晓兰，芮毅（2006）直接核偏向判别分析：一种新的基于内容的图像检索相关反馈算法。IEEE跨多媒体8:716-727·doi:10.1109/TMM.2005.861375 [8] Keerthi SS，Shevade SK，Bhattacharyya C，Murthy KPK（2000）支持向量机分类器设计的快速迭代最近点算法。IEEE Trans神经网络11（1）：200-211·数字对象标识代码：10.1109/72.822516 [9] Flake GW，Lawrence S（2002）使用SMO进行高效SVM回归训练。马赫数学习46（1-3）：271-290·兹比尔0998.68107 ·doi:10.1023/A:1012474916001 [10] Suykens JA、Van Gestel T、De Brabanter J、De Moor B、Vandewalle J（2002）最小二乘支持向量机。新加坡世界闪烁·Zbl 1017.93004号 ·doi:10.1142/5089 [11] Schölkopf B，Smola AJ，Williamson RC，Bartlett PL（2000）新支持向量算法。神经计算12（5）：1207-1245·doi:10.1162/089976600300015565 [12] Chang MW，Lin CJ，Weng RCH（2004）使用竞争支持向量机分析开关动力学。IEEE Trans神经网络15（3）：720-727·doi:10.1109/TNN.2004.824270 [13] Pang SN，Kim D，Bang SY（2005）使用基于成员身份的LLE数据划分生成的SVM分类树进行人脸成员身份验证。IEEE Trans神经网络16（2）：436-446·doi:10.1109/TNN.2004.841776 [14] Li S，Kwok JTY，Tsang IWH，Wang Y（2004）使用支持向量机融合不同焦距的图像。IEEE跨神经网络15（6）：1555-1561·doi:10.1109/TNN.2004.837780 [15] Belkin M、Niyogi P、Sindhwani V（2006）《流形正则化：从示例中学习的几何框架》。J Mach学习研究7:2399-2434·Zbl 1222.68144号 [16] 聂FP，向SM，杨YQ，张CS（2009）用于特征提取的正交局部最小化全局最大化投影。光学工程48（1）：017202-017205·数字对象标识代码：10.1117/1.3067869 [17] Mu Y，Ding W，Tao DC（2013）局部判别距离度量集成学习。图案识别46:2337-2349·Zbl 1316.68118号 ·doi:10.1016/j.patcog.2013.01.010 [18] Mu Y，Lo HZ，Ding W，Amaral K，Crouter SE（2014）Bipart:活动检测的学习块结构。IEEE Trans Knowl数据工程26（10）：2397-2409·doi:10.1109/TKDE.2014.2300480 [19] Mu Y，Lo HZ，Ding W，Tao DC（2014）每个受试者的多张图像人脸识别。第22届ACM国际多媒体会议论文集，第889-892页 [20] Wang XM，Chung FL，Wang ST（2010）关于最小类局部保持方差支持向量机。图案识别43（8）：2753-2762·Zbl 1213.68510号 ·doi:10.1016/j.patcog.2010.02.013 [21] Zafeiriou S，Tefas A，Pitas I（2007）最小类方差支持向量机。IEEE传输图像处理16（10）：2551-2564·doi:10.10109/TIP.2007.904408 [22] 王红霞，陈仕，胡立中，郑维民（2008）局部保留最大信息投影。IEEE Trans神经网络19（4）：571-585·doi:10.1109/TNN.2007.910733 [23] 聂FP，徐德，曾维华，张CS（2010）《柔性流形嵌入：半监督和非监督降维框架》。IEEE Trans-Image处理19（7）：1921-1932·Zbl 1371.94276号 ·doi:10.1109/TIP.2010.2044958 [24] 聂FP，向SM，张CS（2007）《邻里最小值预测》。第20届国际人工智能联合会议记录，第993-998页 [25] Ni BB，Yan SC，Kassim AA（2012）《学习半监督学习的可传播图：分类和回归》。IEEE Trans Knowl Data Eng 24（1）：114-126·doi:10.1109/TKDE.2010.209 [26] Lu GF，Lin Z，Jin Z（2010）基于最大边缘准则的判别局部保持投影人脸识别。图案识别43（10）：3572-3579·兹比尔1209.68469 ·doi:10.1016/j.patcog.2010.04.007 [27] Yan SC，Wang H（SDM09）基于稀疏表示的半监督学习。SIAM国际数据挖掘会议 [28] Xu Y，Zhang D，Yang J，Yang JY（2011）用于人脸识别的两阶段测试样本稀疏表示方法。IEEE传输电路系统视频技术21（9）：1255-1262·doi:10.1109/TCSVT.2011.2138790 [29] Yang J，Zhang L，Xu Y，Yang JY（2012）超越稀疏性：L1-optimizer在模式分类中的作用。图案识别45（3）：1104-1118·Zbl 1227.68102号 ·doi:10.1016/j.patcog.2011.08.022 [30] Belkin M，Niyogi P（2003），用于降维和数据表示的拉普拉斯特征映射。神经计算15（6）：1373-1396·Zbl 1085.68119号 ·doi:10.1162/089976603321780317 [31] Wright J，Yang AY，Ganesh A，Sastry SS，Ma Y（2009）通过稀疏表示实现鲁棒人脸识别。IEEE跨模式分析-马赫积分31（2）：210-227·doi:10.1109/TPAMI.2008.79 [32] Rao R、Olshausen B、Lewicki M（2002）《大脑的概率模型：感知和神经功能》。麻省理工学院出版社，剑桥 [33] Zhang X（NNSP'99）正在使用类中心向量构建支持向量机。IEEE神经网络研讨会。信号处理。麦迪逊，第3-11页 [34] 蔡德，何XF，周凯，杭JW，鲍HJ（2007），区域敏感性判别分析。摘自：第20届国际人工智能联合会议记录。印度海得拉巴IJCAI出版社，708-713 [35] Zhang CS，Nie FP（2010）基于核PCA的学习算法通用内核化框架。神经计算73:959-967·doi:10.1016/j.neucom.2009.08.014 [36] Zhang L，Zhou WD，Chang PC，Liu J，Yang Z，Wang T，Li FZ（2012）基于核稀疏表示的分类器。IEEE传输信号处理60（4）：1684-1695·Zbl 1393.94733号 ·doi:10.1109/TSP.2011.2179539 [37] Gao SH，Tsang IWH，Chia LT（2010）图像分类和人脸识别的核稀疏表示。摘自：《第11届欧洲会议论文集》。视觉：第四部分 [38] Xu Y，Zhang D，Song FX，Yang JY，Jing Z，Li M（2007）基于KPCA的特征提取加速方法。神经计算70（4）：1056-1061·doi:10.1016/j.neucom.2006.09.005 [39] 李HF，蒋T，张KS（2006）基于最大边缘准则的高效稳健特征提取。IEEE神经网络事务17（1）：157-165·doi:10.1109/TNN.2005.860852 [40] Liu J，Chen SC，Tan XY，Zhang DQ（2007）关于利用最大边缘准则进行高效稳健特征提取的评论。IEEE Trans神经网络18（6）：1862-1864·doi:10.1109/TNN.2007.900813 [41] Wu MR，Yie JP（2009）使用带离群值的训练数据进行新颖性检测的小范围大裕度方法。IEEE Trans-Pattern Ana Mach Intell公司31（11）：2088-2092·doi:10.1109/TPAMI.2009.24 [42] Blake C、Merz C、UCI机器学习数据库知识库。网址：http://www.ics.uci.edu/mlearn/MLRepository.html。2015年3月20日访问 [43] Yang AY、Sastry SS、Ganesh A、Ma Y（2010）《快速》ℓ1-最小化算法及其在鲁棒人脸识别中的应用：综述。摘自：第17届IEEE图像处理国际会议，IEEE，香港，第1849-1852页 [44] 耶鲁大学，人脸数据库。http://www.cvc.yale.edu/projects/yalefaces/yalefaces.html。2015年3月20日访问 [45] Yang J，Zhang D，Frangi AF，Yang JY（2004）二维主成分分析：基于外观的人脸表示和识别的新方法。IEEE Trans-Pattern Ana Mach Intell 26（1）：131-137·doi:10.1109/TPAMI.2004.1261097 [46] 蒋ZL，林Z，Davis LS（2013）标签一致性K-SVD：学习辨别词典以进行识别。IEEE Trans-Pattern Ana Mach Intell 35（11）：2651-2664·doi:10.10109/TPAMI.2013.88 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。