摘要：传统的机器学习算法把数据表示成向量的形式进行处理，而现实世界许多应用中的数据都是以张量形式存在的，如图像、视频数据等，如果将这些本质上非向量形式的数据强制转换成向量表示，不仅会产生维数灾难和和小样本问题，而且会破坏数据本身的内部空间排列结构，不利于发现数据的好的低维表示。判别邻域嵌入（discriminantneighborhoodembedding，DNE）是比较流行的面向向量的判别分析方法，在改进DNE算法的基础上，提出了面向张量数据的局部一致保持的邻域嵌入张量判别学习（neighborhood-embeddedtensorlearning，NTL）算法。NTL算法不仅克服了DNE面向向量的缺点，而且弥补了DNE方法偏重数据的邻域点而忽略数据的非邻域点影响的不足，通过精心设计目标函数（嵌入3个图：同类结点的邻接图、不同类结点的邻接图、其他结点的关联图），使投影空间的同类结点更加紧凑，不同类结点更加疏远，从而增强了算法的判别能力。3个公开数据库（ORL、PIE和COIL20）上的实验验证了NTL拥有更高的识别率，同时也拥有更高的算法效率。

原文链接:http://www.cqvip.com//QK/93336B/201707/7000242191.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）