一种基于迭代分解的增量流形学习算法

流形学习可以用于发现大型高维数据集的内在结构，并给出理解该数据集的潜在方式，已被视为一种有效的非线性降维方法. 近年来，新数据点不断地从数据流中产生，将改变已有数据点及其邻域点的坐标，传统流形学习算法不能有效地用于寻找高维数据流的内在信息. 为了解决该问题，本文提出了一种基于迭代分解的增量流形学习算法IMLID（Incremental Manifold Learning Algorithm Based on Iterative Decomposition），可以检测到数据流形中的逐步变化，校准逐渐变化中的流形，可提高在取样于真实世界的特征集上分类效果的精确率，利用真实数据集进行实验验证，结果表明本文提出的算法是有效的，与其他相关算法相比，其性能具有优势，在模式识别、生物信息等领域具有应用价值