在本文中,我们分析了MFA算法 https://blog.csdn.net/Mr_zhang66/article/details/111309197
根据 MFA 算法的过程, 在构图时只考虑了数据的邻域结构,对于存在大量同质区域的高光谱图像来说, MFA 不能有效地表征数据的内在流形。为改善 MFA算法在高光谱图像特征提取中的效果,提出一种新的流形学习方法,称为局部几何结构 Fisher 分析(LGSFA)。
流程图:
与MFA算法相比,多了这一部分
具体步骤:
式(3.10)的求解方式与 LLE 算法求重构权值的过程相同。
权值不同于MFA算法:
LGSFA 算法的构图过程:
在构建类内图时,对于数据点 x1,不仅考虑了它的邻域点(如 x2), 而且考虑了各邻域点的类内重构点(如 x2的类内邻域重构点 x3), 即在 x1 与其邻域点 x2 之间构建一边,也在 x1 与 x2 的类内邻域重构点 x3之间连一条边,边权值都根据式(3.11)进行设置。
在构建类间图时,考虑了各数据点(如 x4)与其非同类邻域(如 x5)和各邻域点的类内重构点(如 x5 的类内邻域重构点x6)之间的关系,即连接 x4 与其邻域 x5,同时也连接 x4 与 x5 的类内重构点 x6,边权值都由式(3.12)进行设置。
根据类内图,在低维空间中不改变类内图的相似关系,使同类数据尽可能聚集在一起, 进而减小同类数据间的差异,目标函数可表示为: