局部保持投影（LPP）算法详解与高效MATLAB实现

局部保持投影（LPP）算法详解与高效MATLAB实现

局部保持投影（Locality Preserving Projections, LPP）是一种经典的线性流形学习算法，它的核心思想是通过保持样本在原始空间中的局部邻域关系，来寻找能够最佳保留数据局部几何结构的低维投影。相比 PCA 这种全局方法，LPP 更关注数据的非线性流形结构，因此在人脸识别、文档聚类、图像检索等任务中表现出色，被广泛称为“Laplacianfaces”。

LPP 的优化目标可以表述为：在低维空间中，相邻样本的距离尽可能小。其数学形式等价于求解一个广义特征值问题，而本实现巧妙地将最小特征值问题转换为最大特征值问题，以提升数值精度，同时复用了统一的线性图嵌入框架（LGE），代码简洁且高效。

本文将深入剖析这个 LPP 实现的关键设计，包括邻接图的归一化处理、数据中心化选项、正则化支持以及与 LGE 的无缝衔接，帮助你在实际项目中灵活应用这一强大工具。

算法原理简述

给定数据矩阵 data（n × d）和邻接图权重矩阵 W（n × n），LPP 求解以下目标：

最小化 (\sum_{ij} (y_i - y_j)^2 W_{ij})，其中 (y_i = x_i a) 为投影后的坐标。

经过拉普拉斯变换，等价于：

[ X^T L X a = \lambda X^T D X a ]

其中 (L = D - W) 为图拉普拉斯矩阵，D 为对角度矩阵。

为提高数值稳定性，本实现将原最小特征值问题转化为最大特征值问题：

[ X^T W X a = \