RML（Riemann流形学习）

*算法思想

RML算法是基于高维输入数据是分布在低维黎曼流形上的假设而建立起来的。为了降维问题在黎曼空间中的实现，使用黎曼几何中普遍使用的黎曼法坐标系来定位各个输入样本点，其本质是利用测地距离学习输入样本点间的测地结构。然后进行正则嵌入。

**算法步骤

1）选取基点

从输入样本的中下附近选取基点的候选点集。对于每一个候选点，使用Dijkstra算法计算每一个候选点的最大测地距离（测地半径），选择具有最小测地半径的候选点作为基点p。

2）对基点p的领域切空间建模

根据基点p和其他所有点的测地距离的大小，选择基点p的局部领域集合，对该局部领域使用pca求解基点p的切空间。

3）计算法坐标

使用Dijkstra算法寻求以基点p为起点的最短路径。对于一条新的最短路径，如果最短路径的终点q是基点p的近邻点，则直接用样本点q在基点p的切空间找到投影获得法坐标。如果终点q不是基点p的近邻点那么q点的法坐 可以通过求解一个带有二次约束最小二乘问题来获得，假设b是从p到q最短路径上导数第二个点，已知b的k近邻{b1,b2,...bk}的法坐标为{b1',b2',...bk'},那么操持q到b的k加了点之间的夹角和q到b的欧氏距离不变的情况下求解q点的法坐标q'，这个实际上最小二乘问题ÿ