1. 研究目的与意义
为克服直接从点云数据中获取的点云属性具有维数高、数据量大、信息冗余、高度非线性，且数据样本缺乏先验知识分类等缺陷，用基于等价关系的模糊聚类方法对有监督局部线性嵌入算法进行改进，将其应用于地震属性的非线性降维优化，实例表明其点云特征降维优化效果优于常规线性降维方法，为点云数据进行处理、枝叶分离及林学参数反演提供了良好可靠的数据资料。
2. 国内外研究现状分析
wuym[1]等人提出一种方向梯度直方图和多流形判别分析相融合的人脸识别算法。
将一幅图像划分为多个子块图像块,并采用方向梯度直方图算法对每一个小块进行处理;采用多流形判别分析提取特征,并采用最小二乘支持向量机建立分类器对人脸进行分类和识别;在yale和ar人脸库进行仿真实验。
实验结果表明,相对于传统人脸别算法,该算法不仅提高了人脸识别率和识别速度,并且对光照和姿态变化具有较强的鲁棒性。
3. 研究的基本内容与计划
先要了解数据降维的概况，知道数据降维的基本特征，分类，基本架构，典型算法；其次要了解降维的意义，包括数据的高维性，维数灾难，计算复杂性，冗余性，可视化以及数据的内在结构和规律；最后要对基于半监督的slle点云数据降维进行研究，了解结合标签数据和未标签数据的半监督降维，为点云数据进行处理、枝叶分离及林学参数反演提供了良好可靠的数据资料。
2016年3月 收集相关书籍及其文章，学习matlab的相关知识，了解国内外的相关技术及其研究报告，总结相关内容2016年4月 研究相关文献，编写基于半监督的slle点云数据降维方法的相关论文，并对相关结果进行研究修改。
2016年5月 对自己的相关论文内容进行总结，向老师提交相关资料和论文，在老师指导下对相关内容进行修正。
4. 研究创新点
基于半监督的slle点云数据降维作为数据降维的一个新的研究方向，针对在点云数据中枝叶识别问题中由于扫描过程中环境的变换不同而造成的识别困难及不稳定问题, 提出的一种基于流形学习的点云特征识别方法。
在流形学习非监督的基础上引入了监督信息, 从而保证高维到低维的映射在保留流形某些结构的同时也可进一步分离不同类别的流形。
算法首先利用基于监督的局部线性嵌入( slle) 对手点云特征进行特征降维, 然后再对降维后的特征进行分类识别。
