《表1 各种算法的平均识别准确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种邻域自适应半监督局部Fisher判别分析算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

/%

在本实验中，分别利用PCA、LFDA、SELF和NA-SELF等算法对两类人工数据集进行降维，采用可视化比较实验直观地验证降维算法的性能，算法采用MATLAB R2013a实现。在每个人工数据实验中，由二元正态分布随机产生200组数据，每组数据包含两类各100个无类别标签数据和10个有类别标签数据，两类数据分别用圆形和三角形表示，无标签和有标签分别用空心和实心表示。图1~3为实验1~3中的一组数据及不同算法得到的投影方向，直线表示一维投影空间，分别用不同线型绘出。在每个人工数据实验中将一组作为训练样本，另一组作为测试样本，先对测试样本进行降维得到投影转换矩阵，再使用投影转换矩阵对测试样本进行降维。将低维特征输入支持向量机进行训练识别，共进行100次实验，识别率的均值如表1所示。设定SELF和NA-SELF算法中权系数β=0.5，SELF算法中近邻数k=7，SVM的核函数选用径向基核函数，设置惩罚参数C=1，核函数参数g=1。