https://www.jianshu.com/p/87057397a070
https://blog.csdn.net/v_july_v/article/details/40738211
https://blog.csdn.net/yujianmin1990/article/details/48420483
https://www.cnblogs.com/xbinworld/archive/2012/11/29/2795287.html
http://web.cse.ohio-state.edu/~belkin.8/papers/LEM_NIPS_01.pdf
1.拉普拉斯矩阵(Laplacian Matrix)
- 表示图的一种矩阵,给定n个顶点的图
G=(V,E)
,分别表示graph、vertex、edge
- Laplacian Matrix定义为,D为度矩阵,W为邻接矩阵
L=D−W
例子:
则邻接矩阵W为
W=⎡⎣⎢⎢⎢⎢⎢⎢⎢010010101010010100001011110100000100⎤⎦⎥⎥⎥⎥⎥⎥⎥
度矩阵D为
D=⎡⎣⎢⎢⎢⎢⎢⎢⎢200000030000002000000300000030000001⎤⎦⎥⎥⎥⎥⎥⎥⎥
则拉普拉斯矩阵为
L=D−W=⎡⎣⎢⎢⎢⎢⎢⎢⎢2−100−10−13−10−100−12−10000−13−1−1−1−10−130000−101⎤⎦⎥⎥⎥⎥⎥⎥⎥
拉普拉斯矩阵的性质
- L是对称半正定矩阵
-
L1=01
,即最小特征值是0,
L∗1=(D−W)∗1=0=0∗1
- L有n个非负的实特征值
- 对任意实向量
f∈ℝn
,成立
fTLf=12∑i,j=1Nwij(fi−fj)2
2.拉普拉斯特征映射步骤
拉普拉斯特征映射将处于流形上的数据,在尽量保留原数据间相似度的情况下,映射到低维下表示。 流程:
2.1 构造邻近图(用邻近图近似流形)
- 距离阈值,
‖xi−xj‖2≤ϵ
- K近邻
2.2 计算边权重(样本间相似度)
2.3 特征映射
- 求解
Lf=λDf
;——广义特征值问题
- 得到特征值和特征向量
{Lf0=λ0Df0;Lf1=λ1Df1;...Lfm=λmDfm...0=λ0≤λ1≤...≤λ...
- 取最小的m个非零特征值的特征向量作为降维结果,即
3.推导
希望相互间有关系的点(在图中相连的点)在降维后的空间中尽可能的靠近。Laplacian Eigenmaps可以反映出数据内在的流形结构。
假设样本n个,目标维度m,则目标矩阵为
Yn×m
,每个行向量
yTi
表示
xi
在目标空间中的向量那个表示,拉普拉斯特征映射要最小化目标函数
min∑i,jWij‖yi−yj‖2
令对角阵D为W中每行之和,经过线性变化([3]中有推导)转化为优化
mintr(YTLY),s.t.YTDY=I
使得公式最小化的Y的列向量是以下广义特征值问题的m个最小非0特征值对应的特征向量
Ly=λDy
![这里写图片描述](https://img-blog.csdn.net/20180727134216606?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ppYW5iaW56aGVuZw==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)