Resumen

Los métodos de reducción de dimensionalidad basados en incrustación de gráficos discriminantes han atraído cada vez más atención en las últimas décadas. Estos métodos construyen un gráfico intrínseco y un gráfico de penalización para preservar las estructuras de geometría intrínseca de las muestras intracategoría y separar las muestras intercategoría. Sin embargo, las muestras marginales no pueden ser caracterizadas con precisión solo por los gráficos de penalización, ya que tratan a cada muestra por igual. En la práctica, estas muestras marginales a menudo influyen en el rendimiento de clasificación, lo que necesita ser abordado de manera especial. En este estudio, se ha maximizado aún más la hipótesis de vecinos cercanos del margen de muestras marginales para separar las muestras intercategoría y mejorar la capacidad discriminante mediante la integración de gráficos intrínsecos y gráficos de penalización. Se ha propuesto una nueva reducción de dimensionalidad discriminante llamada LMGE-DDR. Se han llevado a cabo varios

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Discriminante; Incrustación de gráficos; Reducción de dimensionalidad; Muestras intracategoría; Muestras intercategoría; Muestras marginales
• Keywords:Discriminant; Graph embedding; Dimensionality reduction; Intraclass samples; Interclass samples; Marginal samples