检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于子空间学习的多视角聚类方法研究

基于子空间学习的多视角聚类方法研究

作者：许楠大连理工大学

学位级别：硕士

随着多媒体技术的发展,数据正在呈爆炸式增长。在各种各样的多媒体应用中,很多真实世界的数据都可以被不同的视角或者表示来描述。因此,多视角学习的研究是有重要意义的,其中,多视角聚类受到了很多人的关注。由于子空间聚类的目的就是... 详细信息

随着多媒体技术的发展,数据正在呈爆炸式增长。在各种各样的多媒体应用中,很多真实世界的数据都可以被不同的视角或者表示来描述。因此,多视角学习的研究是有重要意义的,其中,多视角聚类受到了很多人的关注。由于子空间聚类的目的就是发现数据的潜在子空间结构,并且计算出相应的仿射矩阵,最终对仿射矩阵执行谱聚类算法,从而找到数据所属的子空间,得到聚类结果。因此,本文针对完整视角和不完整视角两种情况,分别提出了基于子空间模型的解决方案,并对这两种方案进行了有效地验证。本文的主要贡献如下:(1)在完整视角的情况下,本文提出了一种基于子空间的模型。子空间聚类方法旨在发现数据之间潜在的子空间结构。但是对于多视角子空间聚类而言,数据之间共享的子空间信息并没有被充分利用。因此,在我们的方法中,一个共享的子空间被学习用来保存多个视角之间有效的一致性信息。然后,利用自适应近邻的属性,一个仿射矩阵被学习用来安排每一个数据点所属的最合适的类别。最后,在几个基准数据库上的实验证明提出的方法优于其他前沿的多视角聚类算法。(2)在不完整视角的情况下,本文提出了另一种基于子空间的模型。传统的多视角聚类方法都假设每一个视角有完整的数据,但是,视角缺失数据的情况却是很常见的。为了解决这个问题,我们的方法同时寻找隐空间并执行数据重构来学习数据的子空间表示。另外,我们对这个子空间表示施加非负约束,这样可以让其中的元素表示数据之间的权重关系。最后,在一个合成的数据库和几个基准数据库上的实验验证了所提出的基于子空间的方法的有效性。(3)对于上述的两个问题的解决方案,本文基于有效的交替搜索策略提出了一种交替最小化方法。另外,对于两种解决方案,我们都提供了对应的收敛性分析。

关键词：多视角聚类子空间结构仿射矩阵不完整视角交替最小化

融入边信息的多变量IB方法的多视角聚类算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融入边信息的多变量IB方法的多视角聚类算法研究

作者：刘瑞娜郑州大学

学位级别：硕士

在当前的大多数实际应用中，数据往往是复杂的、高维的。这些复杂数据中通常蕴含多种合理的聚类模式，从多种不同的视角对这些数据进行聚类分析，能够更全面地理解数据。然而，传统的聚类算法只关注于挖掘数据中蕴含的一种聚类模式，很... 详细信息

在当前的大多数实际应用中，数据往往是复杂的、高维的。这些复杂数据中通常蕴含多种合理的聚类模式，从多种不同的视角对这些数据进行聚类分析，能够更全面地理解数据。然而，传统的聚类算法只关注于挖掘数据中蕴含的一种聚类模式，很难对复杂数据做出一个准确的分析。这一问题促进了多视角聚类研究领域的快速发展。多视角聚类方法试图挖掘数据中蕴含的多种聚类模式。现有的多视角聚类算法存在不能或仅能融入一种已知聚类模式的先验知识、适用的数据类型有限、需要预先指定不易选取的参数等方面的问题。针对这些问题，本文在多变量IB方法中融入边信息，提出了一种新的基于目标函数的迭代多视角聚类算法：SmIB，在已知一种或多种聚类模式的条件下顺序地挖掘数据中蕴含的其它无冗余的高质量聚类模式。SmIB算法将已知聚类模式作为边信息融入到多变量IB方法中：一方面，基于多变量IB方法的思想，采用两个贝叶斯网络分别表示数据的压缩与相关信息的保存，在聚类过程最大化地保存数据的相关特征信息，以确保目标聚类结果高质量;另一方面，将已知聚类模式作为边信息融入到上述贝叶斯网络中，以约束目标聚类结果，确保目标聚类结果与已知聚类模式之间无冗余。SmIB算法采用互信息和无参的平均微分熵估计法度量相关特征信息的保存量，不仅适宜于分析共现数据，而且适宜于分析欧氏空间非共现数据，既能挖掘数据中蕴含的线性划分模式，又能发现数据中蕴含的非线性划分模式。在二维人工数据集、共现数据集、欧氏空间非共现数据集上的实验结果表明：SmIB算法能够有效地挖掘出各种类型的数据中蕴含的多种合理的聚类模式，总体性能优于三种经典的传统聚类算法和三种现有的多视角聚类算法。

关键词：多视角聚类边信息多变量IB方法互信息平均微分熵估计法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稀疏表示的多视角聚类研究

基于稀疏表示的多视角聚类研究

作者：陈海钦广东工业大学

学位级别：硕士

在机器学习领域,多视角聚类是一个热门的研究方向,其主要的任务是根据多视角数据自身的数据特性,对不同视角的数据进行融合,获取数据的潜在模式,从而将数据划分为不同簇类。目前,针对多视角聚类的研究,研究者们提出了许多方法。其中,比... 详细信息

在机器学习领域,多视角聚类是一个热门的研究方向,其主要的任务是根据多视角数据自身的数据特性,对不同视角的数据进行融合,获取数据的潜在模式,从而将数据划分为不同簇类。目前,针对多视角聚类的研究,研究者们提出了许多方法。其中,比较受关注的是基于表示学习的多视角聚类方法。该类方法的核心思想是在子空间中,从多个视角数据中学习一个统一的表示,用于聚类。因此,基于表示学习的多视角聚类方法的关键在于如何从多视角数据学习到一个高可分辨性的表示。近年来,由于数据的有效信息存在稀疏性这一先验知识,稀疏表示方法在许多领域中被广泛应用。已有研究者将稀疏表示用于研究多视角聚类,取得了不错的聚类结果,但仍有进一步提升的空间。本文阐述了多视角聚类和稀疏表示算法的研究背景及意义,详细地分析了稀疏表示学习模型和多视角聚类的研究现状,并总结了现有的多视角聚类方法所存在的问题,从而设计了对应的解决思路与方法。本文的主要贡献如下所示:(1)针对现有的多视角聚类方法只考虑了一致性和互补性等多视角数据属性,或视角内信息的冗余性问题,本文设计了一种基于l1范数正则化约束的稀疏表示多视角学习方法,采用部分共享策略来联合利用一致性和互补性,获取多视角数据的潜在模式,并采用l1范数稀疏约束来降低视角内的信息冗余,从而获取一个高质量的表示,以提升聚类效果。此外,该方法引入了图正则约束,来保持数据的内在流形结构,进一步提升聚类效果。同时,根据所设计的多视角学习模型,本文设计了一个高效的优化算法来加速模型的训练。实验上,在六个真实的多视角数据集上,和现有的单/多视角聚类方法相比,该方法具有一定的优越性。(2)针对现有基于稀疏表示的多视角方法未能充分利用多视角数据的数据特性,且忽略了样本之间的局部结构等问题,本文设计了一个基于局部约束编码的稀疏表示多视角学习方法,不仅联合利用了多视角数据的一致性和互补性等数据特性,而且采用局部约束编码技术来实现所学到的表示的稀疏性和获取样本之间的局部结构信息,提高所学到的表示的可分辨性,以提升聚类效果。同时,该方法采用图正则约束来保持数据的潜在流形结构,进一步提高聚类效果。另外,根据所提出的多视角学习模型,本文设计了一种有效的优化算法来训练模型。实验上,在四个通用的多视角数据集上,该方法优于现有的多视角聚类方法。

关键词：多视角聚类表示学习稀疏约束图正则约束优化算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于双约束非负矩阵分解的多视角聚类

基于双约束非负矩阵分解的多视角聚类

作者：王忠秀大连理工大学

学位级别：硕士

聚类一直是机器学习领域一个非常重要的内容,各种各样高效的聚类算法被不断地提出。另一方面,伴随着网络的发展,数据的获取也变得越来越容易,一组相同的样本经常被不同的特征描述。如何有效地利用不同维度空间下的数据来提高聚类的准确... 详细信息

聚类一直是机器学习领域一个非常重要的内容,各种各样高效的聚类算法被不断地提出。另一方面,伴随着网络的发展,数据的获取也变得越来越容易,一组相同的样本经常被不同的特征描述。如何有效地利用不同维度空间下的数据来提高聚类的准确率是国内外众多学者研究的课题,这就使得多视角聚类在近些年来取得了迅速的发展。鉴于非负矩阵分解(NMF)可解释性强、算法实现简单,基于NMF的聚类算法受到了广泛地关注。不仅如此,实验证明基于NMF的聚类算法无论在聚类的准确率还是在聚类的稳定性方面都可以媲美其他的聚类算法。伴随着NMF在聚类方面的成功,大批的学者将NMF应用到了多视角聚类中。基于NMF的多视角聚类算法继承了NMF的优点并较大幅度地提升了聚类的准确率。当然,基于NMF的多视角聚类算法也有着以下缺陷。首先,非负矩阵分解得到的分解结果并不唯一;其次非负矩阵分解的多视角聚类算法并没有为每一个视角得到一个标准的正交基;最后非负矩阵分解并没有保留数据的局部信息。为了弥补上述的三个不足,本文提出了一个基于双约束非负矩阵分解(DCNMF)的多视角聚类算法。先在每个视角下的基矩阵施加正交约束,之后使用矩阵转置相乘来进一步改进算法,以得到标准的正交基并避免正交性带来的高算法复杂度。进一步的,为了保留不同视图之间的局部信息,在目标函数中添加流形正则项。最后,本文提出了一个流形正则项参数的迭代规则,这样做能够平衡矩阵分解的重构误差和流形正则项,此外还可以加快算法的收敛速度。之后文章从理论和实验两个方面证明了算法的收敛性,并设计实验证明DCNMF的优越性。与其他算法相比,DCNMF在算法的准确率和运行效率上都有显著的提高。

关键词：多视角聚类非负矩阵分解优化正交性

基于读者行为分析和多视角聚类算法的高校图书馆用户画像研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于读者行为分析和多视角聚类算法的高校图书馆用户画像研究

作者：胡云飞浙江工业大学

学位级别：硕士

随着互联网技术的发展以及大数据时代的到来,知识获取的便捷性不断提高,高校图书馆不再是高校读者获取文献资源的唯一途径;同时,由于缺乏对读者需求的准确把握,高校图书馆提供的资源和服务已越来越无法满足读者多变的需求,读者的到馆率... 详细信息

随着互联网技术的发展以及大数据时代的到来,知识获取的便捷性不断提高,高校图书馆不再是高校读者获取文献资源的唯一途径;同时,由于缺乏对读者需求的准确把握,高校图书馆提供的资源和服务已越来越无法满足读者多变的需求,读者的到馆率不断降低。为了更好地提高服务质量,高校图书馆投入了大量的财力物力,纷纷推出了针对高校读者的个性化服务,但这些个性化服务地制定绝大多数是依托于管理者的个人经验,缺乏对读者行为地深入科学分析,无法及时、系统地捕捉到读者多变的需求,服务效果收效甚微。为了协助高校图书馆更全面、更及时地了解读者需求,本文结合数据挖掘技术和用户画像技术对读者行为数据进行分析挖掘和用户画像,并根据用户画像的结果为高校图书馆实现精准资源推荐和个性化服务决策提供科学依据。本文的主要工作和成果如下:1.构建读者行为数据库。根据高校图书馆各个业务系统和自动化系统中积累的读者行为数据,建立统一的数据库,并通过ETL等数据清洗工具将各个资源库的数据清洗后汇总为统一的格式存储到数据库中。2.提出一种多视角聚类算法。根据读者的行为数据,提出了一种多维度多视角的读者特征体系。根据构建的读者特征体系可以对读者分为某一维度或多个维度组合的读者群体,从而实现不同维度或多个维度组合的读者聚类,使得聚类结果更加具有针对性。针对经典K-means算法在多视角聚类中存在容易陷入局部最优和受属性纲量的影响,提出了一种基于马氏距离的多视角二分K-means算法,并通过实验证明提出的算法相对经典K-means算法准确率高、鲁棒性好、全局最优,满足高校图书馆用户画像需求。3.提出了一种基于多视角聚类的用户画像技术路线。该技术路线利用ETL技术从各个业务系统抽取、清洗、加载读者行为数据;然后根据本文提出的多维度多视角的读者特征体系,针对某一维度或多个维度组合后的读者群体利用基于马氏距离的二分K-means算法进行聚类,得到读者或群体的聚类特征,从而得到用户画像。4.设计并实现了一个高校图书馆用户画像系统。基于本文提出的用户画像技术路线实现了一个用户画像系统,读者可通过该系统查看个人信息和用户画像;读者还可以查看根据群体聚类结果推荐的书籍、服务以及好友,为高校图书馆实现精准推荐和服务提供帮助。大大增加了读者对图书馆的兴趣和粘性。本文研究成果已在国内多个高校得以应用,为高校图书馆更精准、系统地了解用户需求,提供个性化服务和精准资源推荐给出了科学决策依据。

关键词：数据挖掘用户画像多视角聚类 K-means算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向癫痫脑电信号的多视角聚类模型研究

面向癫痫脑电信号的多视角聚类模型研究

作者：朱佳棋江南大学

学位级别：硕士

随着人工智能技术不断发展,传统的医疗卫生体系与人工智能技术的融合,形成现在深入人心的智慧医疗。智慧医疗具有快速准确的诊断病情特点,在诊疗类似癫痫病这种常见的脑病疾病的中发挥着重要的作用。癫痫病是由于患者大脑的异常放电所... 详细信息

随着人工智能技术不断发展,传统的医疗卫生体系与人工智能技术的融合,形成现在深入人心的智慧医疗。智慧医疗具有快速准确的诊断病情特点,在诊疗类似癫痫病这种常见的脑病疾病的中发挥着重要的作用。癫痫病是由于患者大脑的异常放电所引起的,在患者的脑电信号图中表现为出现尖波、慢波、棘波、等多种癫痫病的特征波形。智慧医疗利用信号识别以及机器学习等先进技术对受试者脑电信号中所反馈的生物信息进行识别分析,并给出诊断结果。这是智慧医疗处理生物信号的主要方法。以往,医生都是利用自身的经验结合理论知识,通过观测受试者的脑电信号图来判断是否存在特征信号,以实现对病情的判断。这种通过观测诊断的方法往往会注入医生自己的主观判断,导致对病情的误诊,且诊疗效率较低。因此,实现对脑电信号的特征波自动检测、提取、识别,具有十分重要的意义。随着人工智能、信号识别等先进技术的不断发展,这就为针对脑电信号识别处理技术的实现提供了新的思路,开辟新的发展道路。本文基于癫痫脑电信号数据,实现对脑电信号的处理并且使用机器学习方法实现脑电信号的识别诊断。具体工作如下:1)对于癫痫脑电信号的波形数据判断主要通过分类、聚类等机器学习方法实现癫痫病诊断。传统的机器学习诊断方法是针对癫痫脑电信号的特征数据直接进行分类或聚类,并且将结果作为诊断依据。由于脑电信号根据特征提取方式的不同可以划分为多个视角,而以上的方法忽略了每个视角都具有不同的病理诊断价值。因此,在最终的病情诊断的准确性上没有明显的提升。为此,本文采用多视角策略分析癫痫病脑电信号,提高诊断的准确性。2)由于脑电信号具有随机性高、波幅小、易受干扰以及非平稳性等特点,本文在现有的处理生物信号技术基础上,从多个方面实现对癫痫脑电信号的处理。首先是对脑电信号进行降噪处理,这里主要通过独立分量分析算法以及小波变换算法来实现脑电信号中的去除包括眼电伪迹等其他信号脉冲的干扰。接着,利用小波变换、短时傅立叶变换以及核主成分分析对降噪后的脑电信号波进行滤波,突出信号中相应的频带特征,放大其特征波形,实现对特征波的提取。3)对于癫痫脑电信号数据的诊断采用分类和聚类的方式都可以达到最终的目的,但是,由于脑电信号数据量庞大,采用分类的方式需要耗费大量的时间成本来完成对每一条数据标注标签,这在实际的医疗诊断中是不可取的。因此,本文结合脑电信号的多视角性以及数据量庞大的特点,采用多视角聚类的分析方式实现癫痫脑电信号识别诊断。传统的多视角聚类方法在处理类似脑电信号的多视角特征数据时,它们的普遍做法就是将每一个视角视为一个单独的样本,并且对每个视角样本都进行单独的聚类分析,在得到每个视角的单独聚类分析结果以后,采用集成学习策略将这些视角的单独聚类结果集成,集成的结果就是所得到的最终结果。通过这种方式将每个视角独立分割开进行分析的多视角数据处理策略极其有可能因为某个视角下的聚类结果存在明显偏差,造成最终成学习结果不准确或者使得算法的性能不稳定。为此,本文提出加权双指数多视角聚类算法(DIC-MV-FCM),它的多视角加权自适应策略能够有效的控制各个视角的重要性,实现了各个视角在聚类的过程中能够有效的调整权重关系,使得聚类效果和性能最好的视角的权重尽可能的大,提高聚类的性能。4)本文所提出的加权双指数多视角聚类算法实验表明,具有良好的癫痫病诊断效果,减少了诊疗时耗。同时,根据不同视角的重要性,做出相应的权重调整,更加适应实际癫痫病的诊疗判断。

关键词：脑电信号处理特征提取多视角聚类癫痫病

基于经验模态分解与多视角聚类的异常用电模式检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电器与能效管理技术 2023年第3期 73-80页

作者：王建元刘柯辰现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学) 吉林吉林132012

针对现有异常用电检测方法检出效率低下的问题,提出一种基于经验模态与多视角聚类的异常检测方法。遵循“经验模态分解维度制约多视角聚类横向检测纵向检测”的流程,通过多视角聚类结合初步判据,显著提高了检出率。在异常检测算法中,提... 详细信息

针对现有异常用电检测方法检出效率低下的问题,提出一种基于经验模态与多视角聚类的异常检测方法。遵循“经验模态分解维度制约多视角聚类横向检测纵向检测”的流程,通过多视角聚类结合初步判据,显著提高了检出率。在异常检测算法中,提出基于网格的熵离群因子(Grid-EOF)算法,并基于纵向检测给出新的判据,提高了不明显窃电行为用户的检出率。最后,用国家电网智能电表实测数据检测验证,结果表明多视角聚类和改进算法以及纵向检测的引入,能有效提高异常检测模型的检出率和准确率。

关键词：异常用电检测经验模态分解多视角聚类香农熵

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于图的多视角聚类算法综述

计算机与数字工程 2022年第2期50卷 229-237,255页

作者：王春杰何进荣王文发延安大学数学与计算机科学学院延安716000

多视角聚类通过利用多视角之间的互补性和一致性信息来提高聚类的性能。近年来受到越来越多的关注。为了及时掌握目前基于图的多视角聚类算法的研究现状与最新技术,对大量的、最新的多视角图聚类进行调查、归纳整理、分类及总结。根据... 详细信息

多视角聚类通过利用多视角之间的互补性和一致性信息来提高聚类的性能。近年来受到越来越多的关注。为了及时掌握目前基于图的多视角聚类算法的研究现状与最新技术,对大量的、最新的多视角图聚类进行调查、归纳整理、分类及总结。根据多视角聚类涉及的算法机制和数学原理,并进一步分为基于图、基于网络和基于谱的聚类方法。不仅详细介绍了每一类算法数学原理、算法模型,而且还举例说明了这些算法的应用。报告了基于图的多视角聚类的现状,最后总结了各类算法的优缺点,并指出了当下的挑战以及未来研究发展的方向。

关键词：图聚类网络聚类谱聚类多视角聚类图构造多维特征图融合

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于局部约束线性编码的多视角聚类方法

工业控制计算机 2022年第6期35卷 126-127页

作者：陈海钦曾祥福钟维良广东工业大学自动化学院广东广州510006

由于多视角数据能够提供更多有用信息来提高聚类效果,多视角聚类得到了广泛的研究。基于子空间的多视角聚类方法是流行的研究方法,主要是从多视角数据中学习一个统一表示,用于聚类。现有的基于子空间的多视角学习方法具有不错的聚类效果... 详细信息

由于多视角数据能够提供更多有用信息来提高聚类效果,多视角聚类得到了广泛的研究。基于子空间的多视角聚类方法是流行的研究方法,主要是从多视角数据中学习一个统一表示,用于聚类。现有的基于子空间的多视角学习方法具有不错的聚类效果,但往往忽略了样本之间的局部结构信息。因此,提出了一种新的多视角学习方法,该方法采用局部约束线性编码来获取样本之间的局部结构,提高所学到的表示的质量。同时,利用多视角数据的数据特性,每个视角的表示由视角共享部分和视角独有部分组成,更充分挖掘数据所存在的有效信息。另外,采用图正则约束来保持数据的内在流形结构,提高所学到表示的质量。最后,在真实数据集上的实验结果表明,所提出的方法优于现有的多视角聚类方法。

关键词：多视角聚类表示学习局部约束线性编码