您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 200812-232
论文题目 流形学习算法及泛化研究
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

流形学习算法及泛化研究

首发时间:2008-12-09

王欣 1    张闯 2    肖波 2    蔺志青 2   
  • 1、北京邮电大学信息与通信工程学院
  • 2、北京邮电大学

摘要:本文介绍了流形学习以及目前流形学习研究中的几种常见的算法:等度归映射算法(Isomap,Isometric Mapping),拉普拉斯特征映射算法(LE,Laplacian Eigenmaps),局部线性嵌套算法(LLE,Locally linear Embedding),局部切空间排列算法(LTSA,Local tangent space alignment)等。分析了这几种算法的特点和复杂度,并重点研究了其中的LLE算法,介绍了LLE算法的主要步骤以及几种已有的针对LLE算法的泛化方法。根据LLE算法的特点和目前LLE算法泛化中存在的问题,本文提出了一种新的针对LLE算法的泛化方案,本方案能够显著提高LLE的泛化性能,在流形没有被很好的采样,无法充分地代表潜在的流形时也能够有效工作,同时具有较小的运算复杂度,能够快速精确实现LLE的泛化。

关键词: 流形 降维 LLE 泛化

For information in English, please click here

Rearch on Mainfold Learning Algorithms and Generalizing Method

Wang Xin 1    Zhang Chuang 1    Xiao Bo 2    Lin Zhiqing 2   
  • 1、School of Information and Communication Engineering, Beijing University of Posts and Telecommunications
  • 2、School of Information and Communication Engineering

Abstract:Manifold learning and several common algorithms of manifold learning are introduced in this paper: Isomap (Isometric Mapping), LE (Laplacian Eigenmaps), LLE (Locally linear Embedding), LTSA (Local tangent space alignment). The characteristics and complexities of these algorithms are analyzed. This paper focuses on the LLE (Locally linear Embedding) algorithm and the generalizing method and introduces some generalizing methods for LLE. According to the characteristics of LLE algorithms and the disadvantages of existing generalizing methods, a new generalizing method for LLE algorithms is proposed. It can improve the performance of generalizing method, resolve some problems faced in the exciting methods, have lower complexity and achieve the LLE generalizing accurately.

Keywords: Manifold-learing Dimension-reducing LLE Generalizing

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
王欣,张闯,肖波,等. 流形学习算法及泛化研究[EB/OL]. 北京:中国科技论文在线 [2008-12-09]. https://www.paper.edu.cn/releasepaper/content/200812-232.

No.2641236943612288****

同行评议

共计0人参与

评论

全部评论

0/1000

勘误表

流形学习算法及泛化研究