10.3969/j.issn.0372-2112.2018.01.014
基于稀疏贝叶斯的流形学习
针对当前监督学习算法在流形数据集上分类性能的缺陷,如分类精度低且稀疏性有限,本文在稀疏贝叶斯方法和流行正则化框架的基础上,提出一种稀疏流形学习算法(Manifold Learning Based on Sparse Bayesian Approach,MLSBA).该算法是对稀疏贝叶斯模型的扩展,通过在模型的权值上定义稀疏流形先验,有效利用了样本数据的流形信息,提高了算法的分类准确率.在多种数据集上进行实验,结果表明:MLSBA不仅在流形数据集上取得良好的分类性能,而且在非流形数据集上效果也比较好;同时算法在两类数据集上均具有良好的稀疏性能.
拉普拉斯、稀疏贝叶斯、稀疏流形先验、流形正则化
46
TP391(计算技术、计算机技术)
国家自然科学基金91546116,61673363,61511130083
2018-07-02（万方平台首次上网日期，不代表论文的发表时间）
共6页
98-103
