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

半监督类保持局部线性嵌入方法

智能系统学报 2021年第1期16卷 98-107页

作者：邓廷权王强哈尔滨工程大学数学科学学院黑龙江哈尔滨150001

为使局部线性嵌入(local linear embedding,LLE)这一无监督高维数据的非线性特征提取方法提取出的特征在分类或聚类学习上更优,提出一种半监督类保持局部线性嵌入(semi-supervised class preserving local linear embedding,SSCLLE)的... 详细信息

为使局部线性嵌入(local linear embedding,LLE)这一无监督高维数据的非线性特征提取方法提取出的特征在分类或聚类学习上更优,提出一种半监督类保持局部线性嵌入(semi-supervised class preserving local linear embedding,SSCLLE)的非线性特征提取方法。该方法将半监督信息融入到LLE中,首先对标记样本近邻赋予伪标签,增大标记样本数量。其次,对标记样本之间的距离进行局部调整,缩小同类样本间距,扩大异类样本间距。同时在局部线性嵌入优化目标函数中增加全局同类样本间距和异类样本间距的约束项,使得提取出的低维特征可以确保同类样本点互相靠近,而异类样本点彼此分离。在一系列实验中,其聚类精确度以及可视化效果明显高于无监督LLE和现有半监督流特征提取方法,表明该方法提取出的特征具有很好的类保持特性。

关键词：非线性特征提取流形学习半监督标记信息聚类可视化

基于改进的半监督FCM聚类算法的肺结节分类与识别

在线全文

学校读者我要写书评

暂无评论

图学学报 2015年第2期36卷 244-250页

作者：李秋萍刘慧苏志远山东财经大学计算机科学与技术学院山东济南250014 山东省数字媒体技术重点实验室山东济南250014

对肺结节的分类识别是肺部肿瘤计算机辅助诊断系统的关键环节。为了提高肺结节分类识别的准确率,针对肺结节的病变特征提取出一组以形状特征为主的特征向量,同时基于LIDC数据库中医生提供的标记信息,提出一种改进的半监督FCM聚类分析算... 详细信息

对肺结节的分类识别是肺部肿瘤计算机辅助诊断系统的关键环节。为了提高肺结节分类识别的准确率,针对肺结节的病变特征提取出一组以形状特征为主的特征向量,同时基于LIDC数据库中医生提供的标记信息,提出一种改进的半监督FCM聚类分析算法,利用部分标记样本的类别信息来指导聚类过程,使非标记样本更准确的聚类。实验结果表明,本文方法能得到更高的分类准确率。

关键词：计算机辅助诊断半监督FCM聚类病变特征标记信息

在线全文

学校读者我要写书评

暂无评论

结合特征偏好的半监督聚类学习

计算机科学与探索 2015年第1期9卷 105-111页

作者：方玲陈松灿南京航空航天大学计算机科学与技术学院南京210016

半监督聚类是机器学习的重要研究内容之一,它通过利用样本层面的少量标记数据信息或者利用特征层面的特征偏好信息来指导半监督聚类。但现有的半监督聚类算法仅考虑了单一层面的半监督先验信息,罕有同时考虑两个不同层面的此类信息进行... 详细信息

半监督聚类是机器学习的重要研究内容之一,它通过利用样本层面的少量标记数据信息或者利用特征层面的特征偏好信息来指导半监督聚类。但现有的半监督聚类算法仅考虑了单一层面的半监督先验信息,罕有同时考虑两个不同层面的此类信息进行半监督聚类。为了弥补这一遗漏,联合利用特征层面给定的特征偏好,即特征之间的相对重要性关系,并结合样本层面的少量标记数据等半监督信息,在传统的半监督聚类算法基础上发展出一个扩展型半监督聚类算法。初步实验验证了该算法的有效性。

关键词：半监督学习聚类半监督聚类特征偏好标记信息

在线全文

学校读者我要写书评

暂无评论

高维数据的非线性增量特征提取方法研究

高维数据的非线性增量特征提取方法研究

作者：王强哈尔滨工程大学

学位级别：硕士

伴随信息科技的迅速发展,数据规模的爆炸式增长成为了大数据时代的主要特征之一。这个时代背景下,数据所具有的维数过高和稀疏性等特点,为数据挖掘带来了空前的挑战。作为处理高维数据的有效手段,特征提取通过提取数据的低维特性,可以... 详细信息

伴随信息科技的迅速发展,数据规模的爆炸式增长成为了大数据时代的主要特征之一。这个时代背景下,数据所具有的维数过高和稀疏性等特点,为数据挖掘带来了空前的挑战。作为处理高维数据的有效手段,特征提取通过提取数据的低维特性,可以将高维特征空间映射到低维特征空间中进行数据的分析和处理,通常分为线性特征提取和非线性特征提取两种方式。线性特征提取是基于数据之间具有线性结构的假设,其局限性强且结果不理想。而非线性特征提取不依赖于线性假设,在非线性结构的数据处理中表现良好,成为当前数据挖掘热门的方向之一。流形学习作为一种非线性特征提取方法,应用流形在局部结构上与欧式空间同胚的性质来提取有效的低维特征。然而,流形学习方法仍然存在一些不足。一方面,它忽略了数据的类别标记信息,提取的特征并不是分类或聚类学习上的最优特征。由此而提取到的特征在进行数据聚类或分类时,结果往往与实际存在较大差异。另一方面,现有的流形学习仅针对静态数据是有效的,而对动态数据（数据量不断增加）的研究较少。因此利用流形学习方法处理增量数据也是目前流形学习的一种短板所在。针对上述问题,本文总结了流形学习的一些经典方法,并以半监督和增量为主要研究内容。由于已有的一些半监督流形学习方法,只利用标记信息在近邻点做局部调整,而忽略了它的全局作用。本文在局部线性嵌入（LLE）的基础上提出一种半监督类保持局部线性嵌入方法（SSCLLE）。该方法首先对标记样本近邻赋予伪标签,增大标记样本数量。其次,对标记样本之间的距离进行局部调整,缩小同类样本间距,扩大异类样本间距。同时在局部线性嵌入优化目标函数中增加全局同类样本间距和异类样本间距的约束项,使得提取出的低维特征可以确保同类样本点互相靠近,而异类样本点彼此分离。一系列实验表明本方法提取出的特征具有很好的类保持特性,其聚类精确度以及可视化效果明显高于无监督LLE和其它半监督流形学习方法。现有流形学习中增量方法也存在一些不足,例如,大多数的增量学习只是单纯的运用一些近邻关系来得到新增数据的特征,而忽略了数据中存在的一些标记信息。同时没有对因新增数据加入而所引发的原数据近邻结构变化的点进行更新。针对存在的这些问题,本文提出了一种建立在SSCLLE上利用块矩阵分解的增量方法（SSILLE）。该方法在计算新增样本点时考虑了标记信息,还将因它加入而导致近邻发生变化的点进行重新计算。从而得到新增数据点以及近邻发生改变点的低维坐标。SSILLE不用对所有数据重新做特征提取,降低计算复杂度,减少计算机运算负担。最后通过实验验证了本文方法的有效性。

关键词：非线性特征提取流形学习增量半监督标记信息

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

给文件加标记的几个问题

江苏警官学院学报 1995年第2期11卷 46-47,54页

作者：黄步根

一、基本原理所有计算机病毒都具有传染特性,传染的结果是病毒附加于宿主程序的开头、结尾或中间的某个部分,部分改变程序代码,破坏了程序的完整性。加标记方法的基本原理是作程序的完整性检查。对系统内的有关程序代码依照一定算法计... 详细信息

一、基本原理所有计算机病毒都具有传染特性,传染的结果是病毒附加于宿主程序的开头、结尾或中间的某个部分,部分改变程序代码,破坏了程序的完整性。加标记方法的基本原理是作程序的完整性检查。对系统内的有关程序代码依照一定算法计算并保存特征参数,用特征参数作为标记来标识程序代码。在装入执行程序代码时先进行校验。

关键词：标记信息加标记程序代码计算机病毒的防治特征参数几个问题标记数据病毒程序特征值标记文件