%A 彭兴, 李婵, 吴其林, 等 %T 联合线性重构与非负稀疏表示的标记分布学习算法 %0 Journal Article %D 2022 %J 巢湖学院学报 %R 10.12152/j.issn.1672-2868.2022.03.014 %P 97-103 %V 24 %N 3 %U {http://xb.chu.edu.cn/CN/abstract/article_600.shtml} %8 2022-05-25 %X 针对标记分布学习涉及到样本的特征相关性信息及数据可能存在异常和噪声值的情况,结合样本的自我表示性质和样本与标记之间的相关性建立模型,提出联合线性重构与非负稀疏表示的标记分布学习算法(LRNSR-LDL)。首先用特征的自我表示属性,建立样本特征空间之间的线性关系,得到线性重构后的特征相似空间;然后利用特征和标记之间的相关性,通过非负稀疏矩阵分解将标记分布用特征相似空间表示,并分别用损失函数建立优化模型;最后引入l2,1-范数约束,降低离群点的不良影响,同时增加模型的泛化能力。提出算法与现有的3种标记分布学习算法在6个真实数据集上进行对比实验,并分别用5种距离和相似性指标进行评价,最终的实验结果显示提出的LRNSR-LDL算法具有一定的优势。