检索结果-南通市图书馆

检索条件"主题词=自适应邻域学习"

共 3 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于张量核范数的自适应邻域学习多视图聚类算法

基于张量核范数的自适应邻域学习多视图聚类算法

引用

作者：康新雨西安电子科技大学

学位级别：硕士

随着数据采集以及互联网和传感器技术的迅猛发展,人们获取的数据从过去的单视图数据逐渐转变为多视图数据。不同的视图之间可以为彼此提供有用的互补信息。多视图学习已成为机器学习,人工智能等领域的研究热点。多视图聚类作为多视图学... 详细信息

随着数据采集以及互联网和传感器技术的迅猛发展,人们获取的数据从过去的单视图数据逐渐转变为多视图数据。不同的视图之间可以为彼此提供有用的互补信息。多视图学习已成为机器学习,人工智能等领域的研究热点。多视图聚类作为多视图学习的一个重要的研究方向,在近几十年里也迅速发展,取得了很大的进展。其中,自适应邻域多视图学习算法通过使用迭代的方法自适应地学习每个视图的权值,取得了不错的效果。但是与大多数的现存的基于图的多视图聚类方法一样,该方法仍然存在以下问题:它在计算不同视图时,简单地将不同视图进行相加而没有考虑到不同视图之间的高阶信息与相关信息。而且由于该方法要求所有视图共享同一个图,这会导致过学习的出现。对此问题,本文对基于张量核范数的自适应邻域学习多视图聚类算法进行深入研究,具体内容如下:(1)针对已有自适应邻域学习聚类方法假定所有视图具有相同的邻域,导致过学习,以及忽略不同视图之间的高阶信息和互补信息的问题,放松这个约束用不同视图的图构造一个三阶张量,然后通过最小化加权张量核范数进行自适应邻域学习,这样可以挖掘出不同视图之间的高阶信息和互补信息,在此基础上给出两种多视图聚类算法,在ORL,Cal101,HW,MSRC,Scene15五个多视图数据集上进行了实验,实验结果证明了所提出的方法的有效性。(2)为了更好地体现不同视图之间的差异性,在自适应邻域学习的多视图聚类中为每一个图的拉普拉斯矩阵加入了一个可以自适应学习的加权参数,为了能够更灵活地刻画目标秩,引入了张量Schatten-p范数来进一步提升多视图聚类的性能。在上述五个多视图数据集上进行了实验。实验结果证明了本文提出的方法提升了多视图聚类的性能。

关键词：多视图聚类自适应邻域学习张量核范数邻接矩阵

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于自适应图的半监督降维算法研究

基于自适应图的半监督降维算法研究

引用

作者：汪思琪安徽大学

学位级别：硕士

在科学技术的带动下,人们获取信息、存储信息的方式都有了很大的发展,因此在很多领域中不可避免地出现了大量的高维数据。虽然高维数据中存在大量的信息,但并不是所有的信息都是有价值的,直接对其进行处理会带来诸多问题,主要体现在:计... 详细信息

在科学技术的带动下,人们获取信息、存储信息的方式都有了很大的发展,因此在很多领域中不可避免地出现了大量的高维数据。虽然高维数据中存在大量的信息,但并不是所有的信息都是有价值的,直接对其进行处理会带来诸多问题,主要体现在:计算比较复杂,需要更大的存储空间,识别精度不高等方面。数据降维是将高维数据映射到一个保持数据本身固有结构的低维子空间,能有效地解决上述问题,受到了研究者们的广泛关注。在现实应用中,获取足够多的标记样本是非常昂贵和困难的,相比较而言大量的无标记数据极易获取,在没有过多标签数据的情况下如若使用监督降维方法,可能导致模型产生过拟合;另一方面,如果使用无监督的方法,则忽略了有标记样本的价值。因此,半监督的降维方法得到了广泛的研究与应用。其中,基于图的半监督降维方法具有简单,容易理解等优势,获得了更多的关注。传统的基于图的降维方法需要预先定义一个图结构,后续的降维过程依赖于预先定义的图结构,也就是说降维过程与图结构的学习是分离开的,所以说学习到的图结构可能不是最优的图,从而导致最后的结果不理想。本文主要针对传统的基于图的半监督降维算法中存在的这个问题,做了相应的研究与改进。本文主要工作如下:(1)基于自适应结构化最优图的算法是利用有标记数据的类别信息,直观的为每一个已知标签的样本寻找近邻点,挖掘数据的局部结构信息,以防止噪声或者离群值点的影响;然后根据所有的训练数据去构造一个表示样本间结构信息的正则化项将监督的方法扩展到半监督领域,在这里,我们针对整个样本集合,采用自适应邻域学习的方法,对样本的近邻进行自适应的调整:同时我们希望学习到的图结构是稀疏的并且具有清晰的结构,即图中连接的组件数量恰好是数据样本的类别数,这种结构化图对于许多任务来说都是有益的,因为它包含了更为准确的数据信息,所以将结构约束加入到图结构中。在合成以及真实数据集上的实验结果验证了本文算法的性能。(2)在正交最小二乘判别分析的基础上提出了一种新的的自适应半监督降维方法,称为自适应弹性判别分析。该方法通过使同一类的数据点靠近该类的样本中心点来获取更大的类间判别分析,除此之外,我们依旧延续上一个方法中的自适应邻域思想来学习图结构,但是通常情况下,在使用自适应邻域来学习图结构的过程中,我们是采用线性投影来表示原始的训练样本和低维表示之间的关系,这对处理非线性数据来说,会存在一些不足,因此通过加入一个正则化项,可以放松线性投影约束,估计最接近线性嵌入的非线性流形,该方法在求出非线性嵌入的同时,又估计了一个能够直接作用于新样本的线性投影。最后,我们通过实验验证了在自适应邻域学习的基础上引入弹性嵌入思想的有效性。

关键词：半监督学习自适应邻域学习降维

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图学习的多视图聚类研究

基于图学习的多视图聚类研究

引用

作者：蓝健桂林电子科技大学

学位级别：硕士

随着科技不断进步,在许多科学和工业领域产生了大量的数据。这些数据由多种特征表示,形成了多视图数据。因此处理这类数据的多视图学习逐渐成为深度学习、人工智能、神经网络、大数据等领域的研究热点。多视图聚类是多视图学习领域的研... 详细信息

随着科技不断进步,在许多科学和工业领域产生了大量的数据。这些数据由多种特征表示,形成了多视图数据。因此处理这类数据的多视图学习逐渐成为深度学习、人工智能、神经网络、大数据等领域的研究热点。多视图聚类是多视图学习领域的研究方向之一,经过多年的研究和发展,虽然已经取得许多成就并且应用到实际生活中,但是也存在一些问题。例如,多视图聚类算法需要通过多视图数据预先构造出一个关系图,多视图数据结构复杂,存在不同程度的噪声,所以构造出的关系图容易受到噪声的影响。而且多视图聚类算法通过加权融合的方式得到统一关系图,但是在融合过程中没有充分考虑权重分布对聚类结果的影响。此外,大多数多视图聚类算法将关系图的构造和融合分成两个独立的步骤,导致部分多视图数据信息损失。因此,基于上述提到的多视图聚类算法中存在的问题,本文主要进行如下工作:针对已有的多视图聚类算法在融合关系图的过程中没有充分考虑权重分布对聚类结果的影响和多视图数据存在不同程度噪声的问题,本文设计基于图的自加权多视图聚类算法。首先通过自适应邻域学习得到每个视图的关系图,然后将各个关系图自加权融合成统一关系图,在模型中引入视图权重调节参数,通过调整视图的权重分布使噪声大的视图获得更小的权重,减少噪声对聚类结果的影响,并且模型随着视图权重的变化可以获得更好的最优解。最后在统一关系图中通过秩约束优化得到最终聚类结果。针对已有的多视图聚类算法将关系图的构造和融合分成两个步骤导致部分多视图数据信息损失的问题,本文设计基于图的联合学习自加权多视图聚类算法。该算法首先计算出所有视图的关系图,然后通过自动加权融合生成统一关系图。通过交替方向乘子法对统一关系图和关系图进行交替优化,以相互增强的方式学习统一关系图和关系图,弥补分离步骤造成的信息损失。并且在统一关系图中加入视图权重调节参数,减少噪声的影响。最后通过秩约束优化得到最终聚类结果。本文设计两种多视图聚类算法分别是基于图的自加权多视图聚类算法和基于图的联合学习自加权多视图聚类算法。在真实世界数据集上与相关聚类算法进行对比实验,证明本文所提方法的有效性和优越性。

关键词：多视图聚类自加权矩阵融合自适应邻域学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：