随着信息技术的发展，要处理的数据越来越多人类很难通过直接查看认知来理解数据的内部结构。 局部线性嵌入算法可通过以下方法实现数据降维隐藏在高维空间中的局部线性低维流形。 但是，LLE 算法对噪声敏感。 此外，当暴露于强烈的噪音。 通过增加L1范数，提出了一种稀疏约束的改进方法对重构误差函数的惩罚约束，最优重构权矩阵可以稀疏。 首先，通过正则化将添加了稀疏约束的重构误差函数转换为一般的二次规划问题，然后使用内点迭代方法快速搜索最优解。 尺寸模拟实验对典型高维数据集的约简表明，维数约简的结果在稀疏约束

局部线性嵌入LLE算法可以发现隐藏在高维空间中的局部线性低维流形，实现数据降维。然而LLE算法对数据噪声比较敏感，在较强噪声下算法稳定性很差。本文提出了一种稀疏约束的改进思路，在计算重构误差的表达式后面添加L1范数的惩罚性约束，促使最优重构权值矩阵更具有稀疏性，从而增强算法的稳定性。文中首先通过正则化处理，把添加了稀疏约束的重构误差最优化目标函数变换成一般二次规划问题，然后引入内点迭代法快速搜索最优解。典型高维数据集的降维仿真实验表明，在不同噪声影响下，稀疏约束的改进LLE算法的降维效果明显好于