论文研究-基于参数化流形学习的压缩传感重构方法.pdf

压缩传感是一种新的信息获取理论, 它突破了传统的采样理论, 将数据采集和压缩合二为一, 再利用重构算法将原始数据恢复。为了能够得到更好的压缩传感重构效果, 把流形学习的思想和方法与压缩传感相结合, 提出了一种基于参数化流形学习的压缩传感重构方法。实验结果表明, 提出的方法对自然图像进行重构取得了很好的效果, 充分验证了基于参数化流形学习的压缩传感重构方法的有效性。

人脸识别中基于流形学习的子空间特征提取方法研究

人脸识别中基于流形学习的子空间特征提取方法研究

基于流形学习的人脸图像超分辨率技术研究

摘　要: 超分辨率技术是由低分辨率图像复原出高分辨率图像的技术。针对人脸图像进行基于学习的超分辨率技 术研究,将流形学习算法融入到超分辨率算法中,并且将其用于人脸图像的超分辨率复原。对流形学习应用于基于学习 的超分辨率原理进行了介绍。为了使得人脸图像取得更好的复原效果,对特征提取模板进行改进,使得新的特征提取模 板考虑更多的像素之间的相关性,并更好地抑制噪声的影响,保留了更多的特征信息。加入了新的特征(即拉普拉斯特 征) 。该特征突出的边缘细节,保持了人脸图像鲜明的轮廓和清晰的边缘信息。实验结果表明,算法复原出的人脸图像 更接近于真实图像,具有更高的峰值信噪比。

论文研究-基于空间约束的正则化流形学习影像匹配方法.pdf

针对大数据量的影像匹配问题，提出了一种基于正则化流形学习的影像匹配方法。该方法利用曼哈顿距离方法计算特征点SIFT描述符的相似性，并在此基础上增加同一幅影像中特征点之间的空间结构关系作为正则化项，采用流形学习方法将两幅影像中的特征点共同映射到同一流形空间；根据最小距离方法进行特征点的匹配。通过选取四种不同来源的影像对进行实验，与SVD-SIFT方法、LE-SIFT方法进行综合分析，结果表明该方法在匹配性能上优于现有方法，而且该方法具有线性复杂度，适用于处理特征点数量较大的影像匹配。

流形学习及其在人脸识别中的应用

流形学习，很好的资料，是一篇博士论文

基于流形距离的聚类算法研究及其应用

在本文中，我们提出了一种流形聚类算法，称为基于流形距离的全局原型聚 类算法(Global Prototypical Clustering Algorithm based—on Mallifold Distance，GPMC)。 在新算法中，聚类中心选自数据集本身，在选择每个聚类的聚类中心时，依据一 种新的基于流形距离的相似性度量，该度量计算的是数据点间沿着流形的测地线 距离。在确定初始聚类中心时，GPMC从优化的角度出发，使用全局的方法进行选 择。对于部分人工数据集和UCI数据集的实验表明，从聚类性能和鲁棒性的角度来 看，新算法在处理复杂、非凸的数据聚类问题时有效可行。

基于流形学习的高光谱图像非线性降维算法

针对高光谱图像同一像元内存在多种地物种类,且地物之间具有多重反射,导致高光谱数据的非线性,采用传统的线性降维算法效果不佳等问题,提出利用流形学习的方法来寻找嵌入在高维观测数据空间的低维光滑流形,实现高光谱数据的非线性光谱降维。模拟和真实高光谱遥感数据实验结果表明,与传统的线性降维方法 PCA相比,经过等距映射、局部切空间排列等流行学习算法降维后的高光谱图像具有更好的光谱端元可分性。

论文研究-基于流形学习和正交稀疏保留投影的人脸和掌纹图像特征提取方法 .pdf

基于流形学习和正交稀疏保留投影的人脸和掌纹图像特征提取方法，刘茜，李文倩，对于一个数据集，数据间的稀疏重构关系具有很好的分类信息。稀疏保留投影（SPP）正是基于这样的考虑所提出的一种特征提取方法，它

一种基于QPSO优化的流形学习的视频人脸识别算法.pdf

一种基于QPSO优化的流形学习的视频人脸识别算法.pdf

基于流形学习的纤维丛模型研究

2009年的论文，从CNKI上找到的，收录在南京大学学报（自然科学版）上，

流形学习专题介绍

降维技术流形学习的全面概括，包括线性降维和非线性降维的各种流形学习方法。

基于流形学习的数据降维

本文首先对目前典型的流形学习方法与核函数理论进行较为全面的分析， 并对 LE(LaplaceEigenmaPs)算法进行核化。此外，提出了一种PCA(PrinciPal ComponentAnalysiS)和 LLE(LoealLinearlyEmbedding)混合数据降维方法，并 在经典数据集和具有挑战性的数据集上取得了较好的降维效果。为了进一步说 明此算法的有效性，本文将此算法应用于手写字分类和人脸分类算法的预处理 过程中，得到了预期的效果。为了说明此算法的有效性，本文又进一步从理论 上进行了分析。

基于全局不相关的多流形学习.pdf

基于全局不相关的多流形学习.pdf

流形学习详细介绍及各种方法的分析

流形就包括各种维数的曲线曲面等。和一般的降维分析一样，流形学习把一组在高维空间中的数据在低维空间中重新表示。和以往方法不同的是，在流形学习中有一个假设，就是所处理的数据采样于一个潜在的流形上，或是说对于这组数据存在一个潜在的流形。

流形学习（LLE）源代码（matlab编写）

流形学习的源代码，matlab编写，方法请见2000年science的文献

何晓飞--流形学习

何晓飞--流形学习PPT

流形学习方法在图像处理中的应用研究

流形学习方法在图像处理中的应用研究