搜索资源列表
laplacian_eigen
- 拉普拉斯特征映射，采用热核构造权重，是一种基于流行学习的非线性降维技术，可用于图像分割提高聚类的性能-Laplacian Eigenmap is a kind of nonlinear dimensionality reduction technique which based on manifold study, it choose the weights W using the heat kernel and it can be u
Laplacian_Smoothing_Transform
- 关于人脸识别中，拉普拉斯特征映射降维处理的源代码-On face recognition, feature mapping Laplace source code dealing with dimensionality reduction
lpp
- 保局投影(LPP)作为拉普拉斯特征映射的一种线性逼近可以较好的反映样本的流形结构，已经被广泛的应用到图像检索和图像修复中。线性鉴别分析( LDA)和局部保持投影(LPP)是其中比较经典的线性方法，LDA注重图像数据间的可分性，LPP则更关注于数据的局部关系- Locality Preserving Projection
LPP
- 人脸识别的LPP方法的源代码，保局投影(LPP)作为拉普拉斯特征映射的一种线性逼近可以较好的反映样本的流形结构-LPP method for face recognition source code, locality preserving projection (LPP) manifold structure as a linear Laplasse feature mapping approach can better reflec
LE
- 拉普拉斯特征映射，一种经典的降维方法，本段代码为一个函数。-Laplasse feature mapping, a dimension reduction method of classic, the code for a function.
LE
- 拉普拉斯特征映射算法，运用MATLAB编写完成。-Laplace feature mapping algorithm, using MATLAB prepared.
Laplacian_Eigenmaps
- 拉普拉斯特征映射算法，可实现高维信号降维或实现带内滤波降噪。-Laplace feature mapping algorithm, can achieve high dimensional signal dimensionality reduction or implement band noise filtering.
LEM-Algorithm
- LEM（拉普拉斯特征映射）算法，拉普拉斯特征映射是基于局部邻域，保持局部结构的流形学习方法。LEM通过一个无向加权图刻画流形上数据点间的近邻关系，图的顶点为原始数据点，图的边对应点之间的近邻关系，边的权值对应近邻点之间的相似程度（也可以是某种距离），LEM在低维嵌入空间中尽量保持图中数据点之间的近邻关系，然后求取嵌入坐标。通俗的说，LEM认为在高维数据空间离得近的点在低维嵌入空间也应该离得近-LEM (Laplace feature m
research-of-amanifold-learning
- 基于拉普拉斯特征映射(LE)算法的保局投影(LPP)算法不仅可以保持流 形学习的能力,而且具有线性方法计算简单、直观快捷的优点。我们的研究表明, LPP算法在用于W七b图像检索时具有明显的优势。本论文的工作集中于LPP算法 应用于W亡b图像检索时的相关研究:包括LPP图像降维算法的优化研究以及结合 相关反馈技术的LPP算法研究-Recently,calityPreservingProjections(LPP)hassho
matlab
- 拉普拉斯特征映射,最大差异展开，时频域特征(Laplacian Eigenmap Maximum difference expansion Fast Maximum difference expansion ISOMAP)
Manifold learning LE
- 流形学习（Manifold Learning）的一种算法：拉普拉斯特征映射（LE）(An algorithm of Manifold Learning: Laplacian Feature Mapping (LE))