检索结果-南通市图书馆

作者：周晶雨江南大学

学位级别：硕士

多源在线迁移学习利用多个源域的标记数据来增强目标域的分类性能,其中目标域以在线的方式接受数据。通过动态调整源域和目标域的权重,使得各个域能被自适应地利用,所以具有良好的泛化性能和极高的学习效率。然而在许多现实场景中的数... 详细信息

多源在线迁移学习利用多个源域的标记数据来增强目标域的分类性能,其中目标域以在线的方式接受数据。通过动态调整源域和目标域的权重,使得各个域能被自适应地利用,所以具有良好的泛化性能和极高的学习效率。然而在许多现实场景中的数据往往是不平衡的,其中的少数类样本被误分类将带来重大的损失。为了有效解决这样的实际问题,本文提出了新的多源在线迁移学习算法,具体的研究工作如下:本文提出了一种可以对目标域样本过采样的多源在线迁移学习算法。该算法从前面已经达到的批次的样本中寻找当前批次的样本的k近邻,先少量生成多数类样本,再生成少数类样本使得当前批次样本的类别分布平衡。每个批次合成样本和真实样本一同训练目标域函数,从而提升目标域函数的分类性能。同时,分别设计了在目标域的输入空间和特征空间过采样的方法,并且在多个真实世界数据集上进行了综合实验,证明了所提出算法的有效性。为了应对源域和目标域数据都不平衡的情况,本文进一步提出了一种可以在源域和目标域的特征空间中过采样的多源在线迁移学习算法。该算法主要包含两个部分:对多个源域过采样和对在线的目标域过采样。对源域过采样阶段,在支持向量机分类器的特征空间中过采样来生成少数类样本,新的样本是通过在源域特征空间中的邻域信息来扩增原始的Gram矩阵得到的。对在线的目标域过采样阶段,目标域的样本分批次到达,当前批次的少数类样本从前面已经到达的多个批次中寻找特征空间中的k近邻,利用生成的新样本和当前批次中的原始样本一同训练目标域函数。通过核函数将源域和目标域的样本映射到同一特征空间中进行过采样,使用类别分布相对平衡的源域和目标域数据训练相应的决策函数,从而提升算法的整体性能。并且在四个真实数据集上进行了全面的实验,在准确率和G-mean这两种评价指标上,都要优于所对比的算法。

关键词：多源迁移学习在线学习不平衡数据特征空间 k近邻

面向图的无监督与有监督的类分布学习及实验研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向图的无监督与有监督的类分布学习及实验研究

作者：谢磊江南大学

学位级别：硕士

图是表示一些事物或者状态关系的表达方法。由于许多问题都可以归并为图的问题,因此出现了很多与图相关的算法。图论算法为很多问题都提供了有效,简单,且系统的建模方式。图论模型可以利用矩阵描述并通过线性代数及矩阵理论知识来分析... 详细信息

图是表示一些事物或者状态关系的表达方法。由于许多问题都可以归并为图的问题,因此出现了很多与图相关的算法。图论算法为很多问题都提供了有效,简单,且系统的建模方式。图论模型可以利用矩阵描述并通过线性代数及矩阵理论知识来分析和求解,其表达形式简洁但富有概括力,同时便于进行深入理论分析。很多问题都可以转化为图论问题,然后用图论的基本算法加以解决。其在机器学习的无监督聚类及有监督的类分布学习等方面中得到了广泛应用。本文的具体工作内容如下:基于图松弛优化为非近似迭代方法提供了有效的分析解决方案,且实现简单。然而,由于矩阵的逆在计算时需要多项式时间,则在运行速度方面不是很理想,当面对较大规模数据时此方法将变得不可行。在本文中,我们提出了对基于图松弛优化聚类进行快速近似提升的两种方法:一个基于k均值聚类,另一个是基于随机投影树。广泛实验表明,这些算法在运算速度方面表现较优,且聚类精度变化非常小。具体来讲,我们的算法在运算大规模数据时精度优于k均值算法,并且在保证精度的情况下运行速度远快于基于图松弛优化聚类算法。值得注意的是,文中的算法可以使得单个机器在数分钟内对具有数百万样本量的数据集进行聚类。现有的大多数面部表情识别方法都是假定样本中每个人脸表情对应单一的情绪,而后作为分类问题进行解决。但是在实际情况中,一个人脸表情往往是多种不同基础情绪的混合体。因此,具有相似表情的样本在基础情绪层面存在一定的相关性,这种相关性也通常会导致样本的表情标签呈现多样性。也就是说,每个表情样本的表情状况与潜在的情绪标签分布相关联。为此,我们提出了一种通过数据进行自适应学习潜在标签分布的方法,不需要任何预先假设的标签分布形式,便可得到每个表情与其相应的多个情绪的关联情况。此方法可得到每个表情所包含情绪的特定描述度以及表情图像到情绪分布的映射。实验结果表明,文章算法在表情识别上具有较高准确率,并且能够有效地分析出人脸表情中所包含的基础情绪的强度。

关键词：基于图松弛优化聚类高维数据快速近似标签分布子空间学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于软计算的基因调控网络应用研究

基于软计算的基因调控网络应用研究

作者：应文豪江南大学

学位级别：硕士

功能基因组学的主要研究内容就是研究基因的表达调控机制,研究基因在生物体代谢途径中的地位,分析基因、基因产物之间的相互作用关系、绘制基因调控网络图。近几年发展起来的DNA微阵列技术可以得到大量的时序基因表达数据,这就为这些研... 详细信息

功能基因组学的主要研究内容就是研究基因的表达调控机制,研究基因在生物体代谢途径中的地位,分析基因、基因产物之间的相互作用关系、绘制基因调控网络图。近几年发展起来的DNA微阵列技术可以得到大量的时序基因表达数据,这就为这些研究奠定了基础。另外,为了从分子水平上理解生物体功能,需要知道生物体中有哪些基因被表达、在哪里被表达、什么时候表达,以及表达的程度如何等。基因表达的调控是通过基因调控系统实现的,而该系统的结构又由DNA、RNA、蛋白质及小分子之间的关系网络决定。这个网络含有多类成分,调控关系较为复杂,因此引入有效的模型和高效的计算方法来进行研究就显得必不可少。本文回顾了基因表达调控的原理以及现有的一些基因调控网络模型,比如布尔网络模型、线性微分方程模型、贝叶斯网络模型及递归神经网络模型等。本文同时回顾了软计算理论的基本概念,并重点介绍了两类进化计算的方法,即遗传算法和粒群优化算法。在两个基因调控网络(一个是人造基因调控网络,另一个是DNA修复网络)的时序基因表达数据的基础上,本文结合软计算方法对两个模型展开了一系列的研究。一个是稳态系统模型(S-system),本文使用粒群优化算法结合稳态系统模型来确定基因间调控关系,实验证明该方法具有快速收敛性,准确度也较高;另一个是基于惯性法则的微分动力学模型。由于基因调控网络本身具有高度非线性的特征,本文对该模型加以改进,将非线性函数引入到该模型,并且证明该模型具有递归神经网络的特征。实验表明改进的方法有效的减少了模型本身的震荡特性,仿真效果较为理想。由于目前生物信息学,尤其是基因调控网络分析和重建这个研究领域的很多方面尚不成熟,所以从当前获得的实验数据不可能对我们所推测出的网络的生物学准确性进行评价。最好的评价方法就是产生一系列可得的网络,然后交给生物学家用实验证明。科学技术的发展是十分快速的,相信在不久的将来,我们能建立很好的评价网络的方法。

关键词：基因调控网络软计算稳态系统模型惯性法则粒群优化算法

基于能量的图像分割的应用及研究 ——中智学改进方法对噪声图像的分割应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于能量的图像分割的应用及研究 ——...

作者：赵鑫江南大学

学位级别：硕士

随着计算机技术的不断发展,图像这一与人们生活息息相关的重要信息载体逐渐成为计算机领域的重要研究对象。针对一幅图像,人们通常只对其中具有特征意义的某一部分感兴趣,为了提取这部分信息产生了图像分割技术。作为数字图像处理中的... 详细信息

随着计算机技术的不断发展,图像这一与人们生活息息相关的重要信息载体逐渐成为计算机领域的重要研究对象。针对一幅图像,人们通常只对其中具有特征意义的某一部分感兴趣,为了提取这部分信息产生了图像分割技术。作为数字图像处理中的关键技术之一,图像分割获得了很多学者的重视,它是进一步进行图像识别、分析和理解的基础。现在已提出许多关于图像分割的方法,其中有对旧理论和方法的改进,也有新方法的提出以及与特定理论相结合的方法。无论哪种方法,对研究者来说都是为了提高工作效率以及获得良好的分割效果。在图像处理中,通常用模糊逻辑来处理不确定性问题,然而模糊集不能处理数据本身所具有的不确定性,为此我们引入中智学理论这一哲学概念。中智学理论的主要思想是对数据不确定性的明确量化。本论文为了解决图像信息不确定性对分割结果所带来的影响,将特定理论与中智学相结合,提出了两种新的图像分割方法。论文首先详细介绍了中智学理论、相似性理论以及能量理论中的热平衡系统,并根据图像信息不确定性将特定理论与中智学相结合,提出了相似性运算和热平衡运算,然后将两种运算应用在图像分割中。本论文的重点是:（一）根据相似性理论、热平衡理论,提出了相似性去噪模型以及热平衡去噪模型,并详细阐述了两种模型的概念以及实现方法,同时介绍了中智学不确定性理论在图像处理中的应用;（二）在提出的两种去噪模型的基础上,将它们与中智学图像分割方法相结合,在对图像信息的处理中,不仅利用了目标像素点的不确定性而且考虑到了邻域像素信息的不确定性及不均衡性;提出的方法对无噪声图像以及含有不同程度噪声图像的分割都能得到非常好的结果。本论文对基础理论进行了详细的阐述,并利用MATLAB编程环境进行了算法实现。通过大量的实验证明,本论文提出的方法是可行的、有效的,本文方法不仅能够提高图像的信噪比、降低图像分割错误率而且能够使分割结果呈现良好的视觉效果,其中基于热平衡的中智学图像分割方法不仅具有上述优点而且运行时间短,实验证明该方法具有优越的算法性能。

关键词：图像分割模糊逻辑不确定性中智学能量理论相似性运算热平衡运算

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

时序基因表达数据的建模分析及应用

时序基因表达数据的建模分析及应用

作者：刘宇宏江南大学

学位级别：硕士

随着DNA芯片技术的广泛应用,基因表达数据分析已成为生命科学的研究热点。DNA微阵列技术是一种研究细胞中基因表达模式的非常有效的技术。这种技术面临的主要挑战是如何分析由此产生的大量基因表达数据。最近,一种新的基因表达数据——... 详细信息

随着DNA芯片技术的广泛应用,基因表达数据分析已成为生命科学的研究热点。DNA微阵列技术是一种研究细胞中基因表达模式的非常有效的技术。这种技术面临的主要挑战是如何分析由此产生的大量基因表达数据。最近,一种新的基因表达数据——时序基因表达数据受到了越来越多的重视。时序基因表达数据根据细胞循环过程,在不同时间点对各基因采集相关数据。目前,虽然已有多种算法可以对时序基因表达数据进行聚类分析（如k均值聚类方法、层次聚类方法,基于统计模型的聚类方法等）,但这些方法通常把时序基因表达数据看作是普通的多维空间向量,数据中时间上的自关联信息完全被忽视,不能有效影响到聚类的最终结果。本文研究目的是为了探索新的时序基因表达数据聚类算法,并提出了一组基于自回归模型的动态聚类算法。文中回顾了当前主要的聚类分析技术以及评价聚类效果的评价算法,简要介绍了时序基因表达数据。本论文重点是:（一）建立了一种改进的基于自回归模型和贝叶斯后验概率的动态聚类分析算法,阐述了应用该算法进行时序基因表达数据聚类分析的原理和方法;（二）建立了一种基于自回归模型的模糊动态聚类分析算法,阐述了应用该算法进行时序基因表达数据聚类分析的原理和方法。针对原始动态聚类分析中仅利用类条件概率密度（也称似然度）的问题,根据贝叶斯理论,提出了改进的基于贝叶斯后验概率的聚类算法。同时结合模糊理论,提出了模糊动态聚类分析算法,利用模糊隶属度来调节自回归模型的动态预测过程,克服了原始聚类算法中自回归模型中自回归阶数p =1的局限性。本文最后还利用回归技术对时序基因表达模型做了一些探讨。论文采用MATLAB来编程实现了文中提出的算法,选取了一些数据集来进行实验。实验结果表明,本文提出的方法是有效的、可行的,并且与现有的一些聚类分析方法相比,更为有效。

关键词：时序基因表达数据自回归模型贝叶斯理论动态聚类模糊聚类自相关性

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

有监督聚类神经网络的研究

有监督聚类神经网络的研究

作者：陈聪江南大学

学位级别：硕士

聚类是人工智能领域中一项基础性技术。其中传统的无监督聚类不使用人工添加的标记信息直接对原始数据进行处理,虽然简单,但往往很难取得很好的效果;而监督聚类通过利用标记数据来指导聚类过程,可以得到更好的效果。径向基函数神经网络... 详细信息

聚类是人工智能领域中一项基础性技术。其中传统的无监督聚类不使用人工添加的标记信息直接对原始数据进行处理,虽然简单,但往往很难取得很好的效果;而监督聚类通过利用标记数据来指导聚类过程,可以得到更好的效果。径向基函数神经网络(Radial Basis Function neural Network,RBFN)是人工神经网络的一种,由于具有结构简单、泛化能力好、速度快等优点,经常被用在分类、回归等问题上。RBFN的训练传统上采用无监督的聚类,本文则在RBFN中引入监督聚类,提出了基于线性回归模型的监督聚类神经网络。传统的RBF回归建模把所有的训练数据看做一个整体,称作全局建模,对于目标模型的局部特性逼近精度有限。局部建模克服了这个缺陷,但是传统的局部建模方法速度较慢且存在边界效应,本文则使用监督聚类进行模糊划分实现了一种新的局部建模方法,根据不同训练子集回归建模难度的不同分别采用不同的训练算法,消除了边界效应同时提高了处理速度。本文首先简单介绍了聚类、RBFN等相关背景,然后提出了一种基于线性回归模型的监督聚类算法,接下来又在RBFN中引入局部建模和模糊划分的思想,最后通过一系列实验证明本方法在回归问题上的高精度和高效率。

关键词：聚类监督径向基函数神经网络局部建模模糊划分回归

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进字典学习的隐子空间聚类算法的研究

基于改进字典学习的隐子空间聚类算法的研究

作者：董琪江南大学

学位级别：硕士

聚类分析作为一种数据分析的工具,是指将抽象的数据对象进行聚集而形成多个簇的分析过程,其在模式识别,机器学习,文档检索,数据挖掘等领域有着广泛的应用。近年来,随着网络的普及,计算机图像技术的发展,使得行业内新增了大量的图像视频... 详细信息

聚类分析作为一种数据分析的工具,是指将抽象的数据对象进行聚集而形成多个簇的分析过程,其在模式识别,机器学习,文档检索,数据挖掘等领域有着广泛的应用。近年来,随着网络的普及,计算机图像技术的发展,使得行业内新增了大量的图像视频数据,并且伴随着人们对视频图像清晰度的要求越来越高,出现了高达数百TB的高维度数据。大多数传统聚类算法都是针对低维度的数据进行设计的,因而很难高效的处理高维度数据。子空间聚类算法作为传统聚类算法的一种扩展,是处理高维度数据聚类的一种有效途径。本文的主要研究内容是针对基于稀疏表示的隐子空间聚类算法进行改进,进而提高算法的聚类性能,具体内容如下:1.详细介绍了稀疏表示模型与字典学习模型的基本原理,并分别讲解了稀疏表示领域与字典学习领域的一些经典的算法的步骤及优缺点,包括MP,OMP,MOD,KSVD等。接着介绍了子空间聚类与谱聚类的一些背景知识,并详细推导谱聚类的算法流程,为之后算法的改进奠定基础。2.综合阐述了一种基于谱聚类,稀疏表示,以及字典学习的子空间聚类算法,即隐子空间聚类算法(LSC),并详细介绍了算法的主要思想及相关的推导过程。3.针对隐子空间聚类算法的训练字典缺乏稳定性和判别性这一缺陷,提出了一种基于判别式字典学习的隐子空间聚类算法的改进算法(ILSC)。该算法在字典学习阶段利用一小部分训练样本的标签信息,改进字典学习模型,除了原有的重构误差项外新增稀疏编码误差项,构造出具有判别性的自适应字典,使得信号的稀疏表示更加准确,进而提高算法的聚类精度。***算法为了增强字典判别性而新增了两个误差项,导致字典学习阶段的耗时也成倍增加,针对此缺陷,提出了一种基于增量式字典训练算法的ILSC算法的改进算法I2LSC。该算法引入增量式算法的思想,每次读取一小撮训练数据,增量式的更新字典及相应误差项,在保证字典判别性的同时大大缩减字典学习阶段的耗时。

关键词：子空间聚类隐子空间聚类判别式字典训练增量式字典训练

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

栈式随机森林及其隐私保护研究

栈式随机森林及其隐私保护研究

作者：宋奕霖江南大学

学位级别：硕士

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于距离组合数据的模糊系统建模

基于距离组合数据的模糊系统建模

作者：王露江南大学

学位级别：硕士

目前,数据的特征多种多样,对数据进行充分挖掘成为许多研究的重点,数据的特征有时会影响数据本身的性质,如医学数据中,许多特征都是息息相关,但有些特征没有联系,将所有特征放在一起进行研究,会丢失数据间的信息,甚至做出错误的判断。因... 详细信息

目前,数据的特征多种多样,对数据进行充分挖掘成为许多研究的重点,数据的特征有时会影响数据本身的性质,如医学数据中,许多特征都是息息相关,但有些特征没有联系,将所有特征放在一起进行研究,会丢失数据间的信息,甚至做出错误的判断。因此,对特征进行数据分组,对不同的特征组给予不同的距离度量,可以利用数据间的隐藏信息,进而提高分类器的准确率。本文的工作主要包括以下两个方面:(1)传统的数据分析方法在挖掘许多数据信息时,可用的信息没有得到充分利用。本文针对这一问题,提出一种基于改进模糊聚类的Takagi-Sugeno(T-S)模糊系统,将系数调节与指数调节与经典模糊C均值聚类(Fuzzy C-means,FCM)算法结合,替换经典T-S模糊系统中的逻辑元件,合理利用T-S模糊系统在预测与回归等方面的优势的同时,通过指数或系数的灵活调控,深度挖掘可以被特征分组的数据中不同属性间的关联信息,进而提高算法在特征具有可分组性的数据分析预测中的准确性。为具体评估算法有效性,我们在可以特征分组的真实数据集上进行实验,实验结果表明,本文提出的算法具有更高的预测精度及可行性。(2)在经典的模糊c均值聚类方法的基础上,提出了一种新的分类器设计方法。首先,提出了一种基于距离组合数据的交替聚类方法。该方法可以看作是条件模糊聚类概念的一种推广,它具有一些已知的先验原型,同时也能处理可以被特征分组的数据。首先介绍了一种特殊的聚类中心初始化方法,然后利用所提出的聚类方法构造基于IF-THEN规则的Takagi-Sugeno模糊系统的逻辑前件,再利用梯度下降法使所提出的误差函数最小化。在聚类过程中通过调节影响因子来充分挖掘数据间的信息,使聚类效果更好,从而提高分类器的准确度。最后,对可以特征分组的真实数据集进行了大量实验分析,验证了该分类器的有效性,实验结果表明,改进后的算法具有更高的精度与可行性。

关键词：特征分组模糊聚类算法距离度量 T-S模糊系统系数调节与指数调节

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

符号聚类新方法的研究及应用

符号聚类新方法的研究及应用

作者：谢信喜江南大学

学位级别：硕士

聚类是一门非常重要的技术。所谓聚类就是按照某种度量（相似性度量、不相似性度量或距离）,根据一定的准则将个体集合分成若干类,使得同类个体之间的相似程度大于不同类个体之间的相似程度即做到”物以类聚”,其目的是要挖掘出个体集... 详细信息

聚类是一门非常重要的技术。所谓聚类就是按照某种度量（相似性度量、不相似性度量或距离）,根据一定的准则将个体集合分成若干类,使得同类个体之间的相似程度大于不同类个体之间的相似程度即做到”物以类聚”,其目的是要挖掘出个体集合的信息。目前的常用聚类方法大致可以分为层次聚类、划分聚类、基于模型的聚类、基于密度的聚类、基于网格的聚类等。聚类技术已经被广泛得应用于分类学、生物信息学、商业、医学、图像处理等领域。传统的聚类技术处理的对象都是连续的数值型数据（我们称之为传统数据,其中包括模糊数据）。但是,现在我们发现,在很多场合中我们无法用传统的数据来很好得表达信息,例如物体的颜色（或许你会认为,可以用不同的数值来代表不同的颜色,但是那样的数值也仅仅是不同颜色的代码,已不再是传统意义上的数值,自然不能用传统的数值方法来处理）、用户的反馈、某个地区某段时间内的气温范围等等,这些数据不像传统的数据那样有序、单值、连续,而且有时候同一个体的不同特征的取值之间存在着一定的关系,我们把这类数据统称为符号数据。随着符号数据越来越多得出现,产生了专门分析处理符号数据的领域——符号数据分析（SDA,Symbolic Data Analysis）,而聚类是其中重要且不可替代的分支。符号聚类分析就是研究如何将传统聚类中的技术引入符号数据分析中,并且在需要的情况下创造出符合符号数据特性的新聚类理论和方法。本着这个原则,本论文主要针对三种常见的符号数据——名词性数据、区间数据、混合数据（即一部分特征是符号特征,一部分特征是传统特征）,在前人工作的基础上,做了一些研究改进。对于名词性数据,过去常用Hamming Distance来简单度量,但是Hamming Distance太粗糙,不能充分挖掘隐藏在数据中的信息。本论文中采用了智能优化算法中粒群优化算法（PSO,Particle Swarm Optimization）,通过训练得到适合于对应数据集的距离公式。层次聚类的实验结果表明了,在度量名词性数据上,通过PSO学习得到距离要优于简单的Hamming Distance。对于区间数据,我们采用了相互距离（MD,Mutual Distance）的概念,给出了一个适用于区间数据的相互距离公式,并在此度量的基础了,引进了最新的聚类方法——相似性传播聚类（APC,Affinity Propagation Clustering）,避免了符号聚类中心如何表示的问题。最后的实验证明了我们的算法要优于基于Euclidean Distance的C均值算法（CM,C-means）。对于混合数据,由于之前的混合数据聚类中没有考虑到不同的特征对于聚类的贡献不一样。因此本文在对混合数据进行模糊C均值聚类（FCM,Fuzzy C-means）时,考虑特征权重问题,推导出适用于混合数据的带特征权重的模糊C均值算法。最后的实验也表明了考虑特征权重的合理性和必要性。

关键词：聚类符号数据符号数据分析符号聚类名词性数据层次聚类粒群优化区间数据相互距离相似性传播聚类混合数据特征权重模糊C均值算法