论文部分内容阅读
本文重点介绍LLE及其改进算法的原理以及他们在膜蛋白数据预测和图像领域中的应用。主要工作包括：
1） 本文详细地介绍了常用的降维方法。
2） 详细介绍了LLE算法思路以及基本原理。
3） LLE算法中有三个参数需要设置，即近邻点个数、输出维数以及正则化参数。本文给出了一种最优选取近邻点个数的方法。
4） 如果训练集样本过多且过密，不利于求解矩阵的特征值和特征向量。本文给出了一种子集的方法来解决这种问题。
5） 本文给出了一种针对测试集来降维的算法。
6） LLE算法与MDS以及ISOMAP算法有着很多相似之处，本文给出了一种通用模型，并分析了他们之间的相同点与不同点。
7） 有监督的局部线性映射方法（SLLE）是LLE算法的改进，本文给出了两种SLLE的方法，并针对特定数据分析了他们之间的差别。
8） Robust LLE（RLLE）也是LLE算法的一种改进算法，它是针对数据含有离异点的情况，以消除离异点对降维结果的影响。
9） 本文将氨基酸的组成含量以及它们之间的相关系数作为膜蛋白序列的特征向量，采用SLLE的方法对该向量进行降维，并使用最简单的欧氏距离分类器来预测膜蛋白类型。
10） 本文给出了LLE算法在室内室外图像分类中，舌象图像聚类中应用以及SLLE在手势图像分类中的应用，并且都获得很明显的效果。