检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

图正则化字典对学习的轻度认知功能障碍预测

智能系统学报 2019年第2期14卷 369-377页

作者：魏彩锋孙永聪曾宪华重庆邮电大学计算机科学与技术学院重庆400065 重庆邮电大学计算智能重庆市重点实验室重庆400065

针对字典对学习(DPL)方法只考虑了同类子字典的重构误差和不同类表示系数的稀疏性,没有考虑图像间的几何近邻拓扑关系的问题。通过近邻保持使得在同类近邻投影系数之间的距离较小,而不同类投影系数之间的距离大,能够有效提高字典对学习... 详细信息

针对字典对学习(DPL)方法只考虑了同类子字典的重构误差和不同类表示系数的稀疏性,没有考虑图像间的几何近邻拓扑关系的问题。通过近邻保持使得在同类近邻投影系数之间的距离较小,而不同类投影系数之间的距离大,能够有效提高字典对学习算法的分类性能,基于此提出了基于几何近邻拓扑关系的图正则化的字典对学习(GDPL)算法。在ADNI1数据集上对轻度认知功能障碍预测的实验表明,使用GDPL算法学习的编码系数作为特征预测的准确率(ACC)和ROC曲线下的面积(AUC)比使用结合生物标志作为特征预测的准确率提高了2%～6%,使用GDPL算法比DPL算法的实验结果也有提高。

关键词：图正则化字典对学习几何近邻关系图像分类轻度认知功能障碍预测

在线全文

学校读者我要写书评

暂无评论

图正则化的模糊局部坐标编码概念分解模型

中国科学技术大学学报 2020年第7期50卷 993-1002页

作者：张怿恺彭勇孔万增文益民杭州电子科技大学计算机科学与技术学院浙江杭州310018 桂林电子科技大学计算机与信息安全学院广西桂林541000

现有的基于矩阵分解聚类模型训练过程大多需要两个独立的步骤,一是通过自身的模型对数据集进行训练获得系数矩阵,二是对得到的系数矩阵进一步使用K-means方法来获得最终的聚类结果.这种两阶段模式一方面增加了计算消耗,也会因为K-means... 详细信息

现有的基于矩阵分解聚类模型训练过程大多需要两个独立的步骤,一是通过自身的模型对数据集进行训练获得系数矩阵,二是对得到的系数矩阵进一步使用K-means方法来获得最终的聚类结果.这种两阶段模式一方面增加了计算消耗,也会因为K-means对初始聚类中心的敏感,会对聚类效果产生一定的影响.针对此问题,本文提出了一种图正则化的模糊局部坐标编码概念分解模型.该模型通过对系数矩阵添加约束使得系数矩阵行和为1,从而避免了再次使用K-means方法进行二次训练,而直接由系数矩阵获得聚类结果.另外,由于此系数矩阵的约束.该模型实现了模糊聚类,增强了聚类结果的可解释性.本文通过对人工合成数据的测试,验证了该模型的模糊性与可解释性;同时在常用的标准数据集上,通过与现有的聚类方法相比较,同样获得了较好的聚类效果.

关键词：概念分解局部坐标编码模糊聚类图正则化

在线全文

学校读者我要写书评

暂无评论

图正则化非负矩阵分解的异质网社区发现

计算机工程与应用 2020年第21期56卷 131-138页

作者：刘家骥包崇明周丽华王崇云孔兵云南大学信息学院昆明650091 云南大学软件学院昆明650091 云南大学生态学与环境学院昆明650091

挖掘数据网络中有价值的、具有稳定性的社区,对网络信息的获取、推荐及网络的演化预测具有重要的价值。针对现有异质网络聚类方法难以在同一维度有效整合网络中异质信息的问题,提出了一种基于图正则化非负矩阵分解的异质网络聚类方法。... 详细信息

挖掘数据网络中有价值的、具有稳定性的社区,对网络信息的获取、推荐及网络的演化预测具有重要的价值。针对现有异质网络聚类方法难以在同一维度有效整合网络中异质信息的问题,提出了一种基于图正则化非负矩阵分解的异质网络聚类方法。通过加入图正则项,将中心类型子空间和属性类型子空间的内部连接关系作为约束项,引入到非负矩阵分解模型中,从而找到高维数据在低维空间的紧致嵌入,成功消除了异质节点之间的部分噪声,同时,对反映不同子网络共有潜在结构的共识矩阵进行优化,有效整合异质信息,并且在降维过程中较大限度地保留了异质信息的完整性,提高了异质网络聚类方法的精度,在真实世界数据集上的实验结果也验证了该方法的有效性。

关键词：异质网络社区发现非负矩阵分解图正则化

在线全文

学校读者我要写书评

暂无评论

自适应图正则化的低秩非负矩阵分解算法

智能系统学报 2022年第2期17卷 325-332页

作者：余沁茹卢桂馥李华安徽工程大学计算机与信息学院安徽芜湖241009

图正则化(nonnegative matrix factorization,NMF)算法(graph regularization nonnegative matrix factorization,GNMF)仍存在一些不足之处:GNMF算法并没有考虑数据的低秩结构;在GNMF算法中,其拉普拉斯图是使用K近邻(K nearest neighbor,KNN)方法预先定义的,而KNN方法无法总是获得最优图解,从而使得GNMF算法的性能不能达到最优。为此,本文提出了一种自适应图正则化的非负矩阵分解算法(nonnegative low-rank matrix factorization with adaptive graph neighbors,NLMFAN)。一方面,通过引入低秩约束,使得NLMFAN可以获得原始数据集的有效低秩结构;另一方面,设计了一种通过自适应求解相似度矩阵的方法来进行图的构建,即图的构造和矩阵分解的结果被融入一个整体的框架中,使得图中节点的相似性是自动从数据中学习得到的。此外,本文还给出了一种求解NLMFAN的有效算法。在多种数据集上的实验验证了本文所提出的算法的有效性。

关键词：聚类特征提取降维流形学习非负矩阵分解低秩约束图正则化自适应聚类

在线全文

学校读者我要写书评

暂无评论

自适应图正则化稀疏编码算法

陕西师范大学学报:自然科学版 2023年第5期51卷 75-83页

作者：余沁茹卢桂馥李华芜湖职业技术学院安徽芜湖241000 安徽工程大学计算机与信息学院安徽芜湖241009

在GraphSC算法中,拉普拉斯图是预先定义并且固定不变的,并不会参与之后对于字典与稀疏编码的学习过程,而预先定义的拉普拉斯图往往不是最合适的。针对此问题,提出了自适应正则化稀疏编码(graph regularization sparse coding with adapt... 详细信息

在GraphSC算法中,拉普拉斯图是预先定义并且固定不变的,并不会参与之后对于字典与稀疏编码的学习过程,而预先定义的拉普拉斯图往往不是最合适的。针对此问题,提出了自适应正则化稀疏编码(graph regularization sparse coding with adaptive neighbour,GraphSCAN)算法。该算法使用自适应方法构建合适的局部拉普拉斯图,然后将其加到SC的目标函数中;从而将图的构建和稀疏编码纳入到统一框架中,使得图的构建与稀疏编码的运算同时迭代进行。在CMU人脸数据与COIL20数据上进行的图像聚类实验结果验证了GraphSCAN算法的有效性。

关键词：图正则化稀疏编码图聚类自适应聚类

在线全文

学校读者我要写书评

暂无评论

基于深度图正则化矩阵分解的多视图聚类算法

智能系统学报 2022年第1期17卷 158-169页

作者：刘相男丁世飞王丽娟中国矿业大学计算机科学与技术学院江苏徐州221116 徐州工业职业技术学院信息与电气工程学院江苏徐州221400

针对现实社会中由多种表示或视图组成的多视图数据广泛存在的问题,深度矩阵分解模型因其能够挖掘数据的层次信息而备受关注,但该模型忽略了数据的几何结构信息。为解决以上问题,本文提出基于深度图正则化矩阵分解的多视图聚类算法,通过... 详细信息

针对现实社会中由多种表示或视图组成的多视图数据广泛存在的问题,深度矩阵分解模型因其能够挖掘数据的层次信息而备受关注,但该模型忽略了数据的几何结构信息。为解决以上问题,本文提出基于深度图正则化矩阵分解的多视图聚类算法,通过获取每个视图的局部结构信息和全局结构信息在逐层分解中加入两个图正则化限制,保护多视图数据的几何结构信息,同时将视图的权重与特征表示矩阵进行结合获得共识表示矩阵,最大化视角间的互补性,保证数据的一致性和差异性。除此之外,本文使用迭代更新变量的方法最小化目标函数,不断优化模型并进行收敛性分析。将本文算法和多个算法在三个人脸数据集和两个图像数据集上运行,通过多项指标的对比可以看出本文提出的算法具备良好的性能表现。

关键词：多视图聚类深度矩阵分解几何结构图正则化矩阵分解多视图表示学习层次结构信息深度学习

一种稀疏约束的图正则化非负矩阵光谱解混方法

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2019年第4期39卷 1118-1127页

作者：甘玉泉刘伟华冯向朋于涛胡炳樑汶德胜中国科学院西安光学精密机械研究所陕西西安710119 中国科学院大学北京100049

由于受到高光谱遥感图像传感器平台的限制,图像的空间分辨率受到一定影响,这导致高光谱遥感图像的像元通常是多种地物的混合,也叫做混合像元。混合像元的存在制约了高光谱遥感图像的准确分析和应用领域。采用高光谱解混技术可将混合像... 详细信息

由于受到高光谱遥感图像传感器平台的限制,图像的空间分辨率受到一定影响,这导致高光谱遥感图像的像元通常是多种地物的混合,也叫做混合像元。混合像元的存在制约了高光谱遥感图像的准确分析和应用领域。采用高光谱解混技术可将混合像元分解为纯净的物质光谱(Endmember,端元)和每种物质光谱所对应的混合比例(Abundance,丰度),为获取更多更精细的光谱提供了可能。这对高精度的地物分类识别、目标检测和定量遥感分析等研究领域具有重要的意义。因此,解混技术成为高光谱遥感图像领域的一个研究热点。基于线性光谱混合模型(linear spectral mixing model, LMM),提出了一种端元丰度联合稀疏约束的图正则化非负矩阵分解(endmember and abundance sparse constrained graph regularized nonnegative matrix factorization, EAGLNMF)算法。该算法通过研究基于非负矩阵分解(nonnegative matrix factorization, NMF)的方法,结合图正则化理论来考虑高光谱数据内部的几何结构,将端元光谱稀疏约束和丰度稀疏约束应用于其中,从而能够对高光谱数据的内部流形结构进行更为有效的表达。首先,构造了EAGLNMF算法的损失函数,采用VCA-FCLS方法进行初始化,然后,设定相关参数,包括图正则化权重矩阵参数、端元光谱稀疏约束因子和丰度矩阵稀疏约束因子,最后,通过推导得到了端元矩阵与丰度矩阵的迭代公式,并且设置了迭代停止条件。该方法不受图像中是否有纯像元的限制。实际上,在现行高光谱遥感传感器平台情况下,高光谱遥感图像中几乎不存在纯像元,因此, EAGLNMF方法为高光谱遥感图像的实际应用提供了一种思路。采用合成的高光谱数据,构造了4个实验来分析该方法的可行性和有效性,实验将该算法与VCA-FCLS,标准NMF及GLNMF等经典的解混算法进行比较,通过光谱角距离(spectral angle distance, SAD)和丰度角距离(abundance angle distance, AAD)这两个度量标准来进行比较。实验1是总体分析实验。在固定的信噪比和固定端元数目的情况下,用以上三种经典方法与EAGLNMF同时进行解混。实验2是SNR影响分析实验。在固定端元数目和不同信噪比的情况下,用这四种方法进行解混。实验3端元数目分析实验。在固定信噪比和不同端元数目的情况下,用四种方法进行解混,并且将结果进行对比。实验结果发现提出的EAGLNMF方法在提取端元精度和估计丰度精度上都更为准确。同时,实验4是稀疏因子分析实验。对端元稀疏约束和丰度稀疏约束之间的影响因子进行分析,实验结果表明引入的端元稀疏约束对于解混结果也具有较好的影响,并且端元稀疏约束和丰度稀疏约束之间的影响因子也对解混结果具有一定影响。最后,将该算法应用于AVIRIS所采集的真实高光谱图像数据,将其解混结果与美国地质勘探局光谱库中光谱进行匹配对比,其提取的平均端元精度相比于其他三种方法要稍好。

关键词：高光谱图像图正则化稀疏约束非负矩阵分解光谱解混

基于改进图正则化的堆叠自编码器及其在故障诊断方面的应用

在线全文

学校读者我要写书评

暂无评论

基于改进图正则化的堆叠自编码器及其在故障诊断方面的应用

作者：刘健洵北京化工大学

学位级别：硕士

随着传感器技术、通信技术、物联网、数据存储等技术的发展与进步，分布式控制系统的广泛使用，工业行业日积月累存储了大量的数据，这推动了工业大数据的发展，而神经网络以及大规模并行计算的出现，更是加剧了深度学习与传统工业这两... 详细信息

随着传感器技术、通信技术、物联网、数据存储等技术的发展与进步，分布式控制系统的广泛使用，工业行业日积月累存储了大量的数据，这推动了工业大数据的发展，而神经网络以及大规模并行计算的出现，更是加剧了深度学习与传统工业这两个领域的融合。作为一种无监督的深度学习方法，堆叠自编码器(StackedAuto-encoder,SAE)由于具有从输入数据中提取深层特征的潜力，已在许多领域被成功应用。然而，SAE在特征提取和故障分类任务中表现并不佳，这是因为它无法准确提取与任务相关的特征。为了解决这个问题，本文提出了一种具有图正则化的监督SAE算法，并以化工过程TennesseeEastman(TE)仿真平台和真实的风力发电厂风机数据为实验背景，对提出的故障特征提取与分类方法进行验证。本文的具体工作有:　　1)提出了基于拉普拉斯图正则化的堆叠监督自编码器模型　　提出了一种新的堆叠自编码器模型。根据拉普拉斯图嵌入的思想,引入了其正则化表达式，并与堆叠监督自编码器结合，提出了基于拉普拉斯图正则化的堆叠监督自编码器。为特征提取模型引入了流形结构特征，提高了特征提取的有效性，为原始SAE模型补充了在几何特征提取方面的能力。通过实验比较分析了不同图构建方法和相似度矩阵构造方法对特征提取和分类结果的影响。　　2)提出了基于改进拉普拉斯图正则化的堆叠监督自编码器模型　　深入研究图正则化方法，在判别分析思想的基础上，提出了一种改进的拉普拉斯图正则化方法并与堆叠监督自编码器模型相结合。基于对图正则化以及堆叠自编码器所存在的问题进行分析，提出了一种改进的逐层贪婪监督预训练方法来解决训练过程中可能陷入局部最小值的问题。在图构建方面，提出了稀疏化的全连接图来解决堆叠自编码器和图正则化结合过程中存在的过拟合问题。通过TE过程和风机轴承两个不同的应用场景的实验结果可以看出，本文所提出的算法具有可行性和鲁棒性，且与其他特征提取和分类算法相比拥有更强的特征提取能力和更高的分类精度。

关键词：风力发电厂堆叠自编码器特征提取风机故障图正则化

基于L_(2,1)模和图正则化的低秩迁移子空间学习

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

控制理论与应用 2018年第12期35卷 1738-1749页

作者：屈磊方怡熊友玲唐俊安徽大学计算智能与信号处理教育部重点实验室安徽合肥230601 安徽大学电子信息工程学院安徽合肥230601

本文提出一种基于L_(2,1)模和图正则化的低秩迁移子空间学习方法.首先,在低秩重构过程中通过对重构矩阵施加具有旋转不变性的L_(2,1)模约束,可在挖掘目标域数据的关键特征的同时提高算法对不同姿态图片分类的鲁棒性.其次,在目标函数中... 详细信息

本文提出一种基于L_(2,1)模和图正则化的低秩迁移子空间学习方法.首先,在低秩重构过程中通过对重构矩阵施加具有旋转不变性的L_(2,1)模约束,可在挖掘目标域数据的关键特征的同时提高算法对不同姿态图片分类的鲁棒性.其次,在目标函数中引入图结构的正则化,使得迁移时数据中的局部几何结构信息得以充分利用,进一步提高了分类性能.最后,为解决源域数据较少导致的欠完备特征空间覆盖问题,在公共子空间中利用源域数据和目标域数据联合构造字典,保证了重构的鲁棒性.在Caltech256, Office, CMU–PIE, COIL20, USPS, MNIST, VOC2007和MSRC数据库上的大量对比实验验证了本文方法的有效性和鲁棒性.

关键词：迁移学习低秩重构 L2 1模图正则化