matlab 流形学习LLE算法

较为详细地回顾了流形学习中非线性维数约简方法，分析了它们各自的优势和不足。与传统的线性维数约简方法相比较，可以发现非线性高维数据的本质维数，有利于进行维数约简和数据分析。最后展望了流形学习中非线性维数

提出了一种基于流形学习的特征提取方法，将流形学习有效地应用于汉语方言辨识。针对语音语谱特征空间维数较高的问题，利用局部线性嵌入（LLE）方法降维并与MFCC特征进行融合，融合结果作为新特征用于汉语方言

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

将粗糙集理论、逻辑运算与粒度计算进行嫁接，得到了粒度逻辑运算下的粗糙集理论模型。对粒度逻辑运算下的粗糙集进行了形式化的定义，讨论并证明了相关性质。同时，讨论了知识的粗细与基于粒度逻辑运算的粗糙集之间的

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

多种流形学习的降维算法，ISOPAMLLE，NPE等降维算法

对局部线性嵌入降维算法讲解的清楚、易懂

随着信息技术的发展,要处理的数据越来越多人类很难通过直接查看认知来理解数据的内部结构。 局部线性嵌入算法可通过以下方法实现数据降维隐藏在高维空间中的局部线性低维流形。 但是,LLE 算法对噪声敏感。

局部线性嵌入LLE算法可以发现隐藏在高维空间中的局部线性低维流形,实现数据降维。然而LLE算法对数据噪声比较敏感,在较强噪声下算法稳定性很差。本文提出了一种稀疏约束的改进思路,在计算重构误差的表达式后

（最近，哈佛大学丘成桐先生领导的团队，大连理工大学罗钟铉教授、雷娜教授领导的团队应用几何方法研究深度学习。老顾受邀在一些大学和科研机构做了题为“深度学习的几何观点”的报告，汇报了这方面的进展情况。这里