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

半监督局部维数约减

中国图象图形学报 2011年第9期16卷 1615-1624页

作者：尹学松胡恩良南京航空航天大学信息科学与技术学院南京210016 浙江广播电视大学信息与工程学院杭州310030

在挖掘和分析高维数据任务中,有时只能获得有限的成对约束信息(must-link约束和cannot-link约束),由于缺乏数据类标号信息,监督维数约减方法常常不能得到满意的结果。在这种情况下,使用大量的无标号样本可以提高算法的性能。文中借助于... 详细信息

在挖掘和分析高维数据任务中,有时只能获得有限的成对约束信息(must-link约束和cannot-link约束),由于缺乏数据类标号信息,监督维数约减方法常常不能得到满意的结果。在这种情况下,使用大量的无标号样本可以提高算法的性能。文中借助于成对约束信息和大量无标号样本,提出半监督局部维数约减方法(SLDR)。SLDR集成数据的局部信息和成对约束寻找一个最优投影,当数据被投影到低维空间时,不仅cannot-link约束中样本点对之间距离更远、must-link约束中样本点对之间距离更近,数据的内在几何信息还被保持。而且SLDR能推广为非线性方法,使之能够适应非线性数据的维数约减。在各种数据集上的实验结果充分验证了所提出算法的有效性。

关键词：成对约束局部信息维数约减判别分析算法

基于核方法的非线性维数约减的人脸识别方法研究

在线全文

学校读者我要写书评

暂无评论

基于核方法的非线性维数约减的人脸识别方法研究

作者：库福来云南大学

学位级别：硕士

人脸图像数据通常都是高维的。高维数据所带来的高的计算复杂度和高的存储容量增加了识别的困难。然而,图像空间的本征维数一般较低,也就意味着高维图像数据可以用低维的本征数据进行表示。因此有效的图像的低维本征数据的抽取是完成图... 详细信息

人脸图像数据通常都是高维的。高维数据所带来的高的计算复杂度和高的存储容量增加了识别的困难。然而,图像空间的本征维数一般较低,也就意味着高维图像数据可以用低维的本征数据进行表示。因此有效的图像的低维本征数据的抽取是完成图像识别的关键任务。常用的线性降维方法,如主成分分析(Principal Component Analysis, PCA))、线性判别分析(Linear discriminant analysis LDA)等,由于其不能发现原高维数据集的非线性结构和图像数据的本征特征,所以就影响了特征提取的精度,导致最终识别率不高。而非线性维数约减的方法能够发现隐藏在高维数据集中的非线性结构并能较好的保持数据的本征结构,从而能较精准的进行特征提取以提高识别的性能。基于核方法的维数约减是常用的非线性维数约减的方法,其不仅具有非线性方法的优点,而且形式也很清晰和简洁。本文在归纳总结了常用的线性维数约减方法和基于核方法的非线性维数约减的基础之上,对相关算法进行了改进,并获得如下研究成果。 1.提出了基于自适应双核融合的学习算法,其中双核是指高斯核和多项式核,因为高斯核能较突出的反应相邻样本的信息,而多项式核又能综合反映所有样本的信息,对他们进行自适应融合,不仅克服了H. L. Xiong等提出的一种基于单个核函数来进行优化的方法所存在限制核优化性能的不足,而且充分发挥高斯核和多项式核的各自优点。 2.提出了一种的基于训练样本信息生成核的人脸识别算法,该方法可以实现由任意给定函数g经过一定的方法生成核函数,再在经验特征空间对生成的核函数进行优化,在此基础之上再对高维图像数据进行基于核方法的特征提取。该方法不仅克服了通常的基于核方法的人脸识别必须建立在核函数基础上才能对数据进行非线性特征抽取的不足,而且还充分利用了训练样本的信息。

关键词：维数约减人脸识别核主成份分析自适应双核融合训练样本生成核

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

基于局部与全局保持的半监督维数约减方法

软件学报 2008年第11期19卷 2833-2842页

作者：韦佳彭宏华南理工大学计算机科学与工程学院广东广州510641

在很多机器学习和数据挖掘任务中,仅仅利用边信息(side-information)并不能得到最好的半监督学习(semi-supervised learning)效果,因此,提出一种基于局部与全局保持的半监督维数约减(local and global preserving based semi-supervised dimensionality reduction,简称LGSSDR)方法.该算法不仅能够保持正、负约束信息而且能够保持数据集所在低维流形的全局以及局部信息.另外,该算法能够计算出变换矩阵并较容易地处理未见样本.实验结果验证了该算法的有效性.

关键词：边信息局部与全局保持半监督学习维数约减图嵌入

基于局部重构与全局保持的半监督维数约减算法

在线全文

学校读者我要写书评

暂无评论

计算机科学 2011年第8期38卷 201-204页

作者：韦佳文贵华王文丰王家兵华南理工大学计算机科学与工程学院广州510006 南昌工程学院信息工程学院南昌330099

针对基于局部与全局保持的半监督维数约减算法(LGSSDR)对邻域参数选择比较敏感以及对邻域图边权值设定不够准确的问题,提出一种基于局部重构与全局保持的半监督维数约减算法(LRGPSSDR)。该算法通过最小化局部重构误差来确定邻域图的边权... 详细信息

针对基于局部与全局保持的半监督维数约减算法(LGSSDR)对邻域参数选择比较敏感以及对邻域图边权值设定不够准确的问题,提出一种基于局部重构与全局保持的半监督维数约减算法(LRGPSSDR)。该算法通过最小化局部重构误差来确定邻域图的边权值,在保持数据集局部结构的同时能够保持其全局结构。在Extended YaleB和CMU PIE标准人脸库上的实验结果表明LRGPSSDR算法的分类性能要优于其它半监督维数约减算法。

关键词：边信息局部重构半监督学习维数约减

在线全文

学校读者我要写书评

暂无评论

边信息传播修正的半监督维数约减方法

小型微型计算机系统 2011年第6期32卷 1232-1236页

作者：刘利韦佳马千里惠州学院计算机科学系广东惠州516007 华南理工大学计算机科学与工程学院广州510641

现有基于边信息的半监督维数约减算法大都是直接将保留边信息和数据拓扑结构的目标函数相加,因此数据拓扑结构中的错误连接不会因已知的边信息而得到修正.提出通过边信息传播及修正机制将边信息融入到数据拓扑结构图中的方法,从而在保... 详细信息

现有基于边信息的半监督维数约减算法大都是直接将保留边信息和数据拓扑结构的目标函数相加,因此数据拓扑结构中的错误连接不会因已知的边信息而得到修正.提出通过边信息传播及修正机制将边信息融入到数据拓扑结构图中的方法,从而在保留边信息的同时保留更为真实的数据拓扑结构信息.实验结果表明本文所提出的算法较之其它算法,对数据降维后用于分类时可取得较高的准确率,且算法对创建的KNN图中的参数K最具鲁棒性.

关键词：半监督学习维数约减边信息传播边信息修正

在线全文

学校读者我要写书评

暂无评论

一种高性能改进型半监督维数约减算法

西南师范大学学报（自然科学版） 2015年第11期40卷 137-145页

作者：沈建国无锡商业职业技术学院江苏无锡214153 江苏省无线传感系统应用工程技术研究开发中心江苏无锡214153

针对局部重构和全局保持的半监督维数约减算法在对类内、类间关系进行处理时忽略了数据的局部性的缺点,以及增强的半监督局部Fisher判别分析算法在保持数据流形结构时忽略了数据流形结构局部性的缺点,提出一种改进型的半监督维数约减算... 详细信息

针对局部重构和全局保持的半监督维数约减算法在对类内、类间关系进行处理时忽略了数据的局部性的缺点,以及增强的半监督局部Fisher判别分析算法在保持数据流形结构时忽略了数据流形结构局部性的缺点,提出一种改进型的半监督维数约减算法.该算法通过一种改进的热核权重来表示样本间距离的重要性,以此使得处于同一类簇的类内、类间关系更加得到重视,可以优先减少或加大处于同一类簇的类内或类间距离;此外在保持数据流形结构时,采用局部线性嵌入算法的思想,即要求低维空间里每个点的邻域线性重构关系和该点在高维空间里的邻域重构关系类似,并将数据流形结构的局部性考虑进去.实验结果表明,该算法在COIL20,Extended YaleB与CMU PIE等标准库上的分类性能比其他半监督维数约减算法更具优势.

关键词：局部Fisher判别局部重构半监督学习维数约减

在线全文

学校读者我要写书评

暂无评论

加权成对约束半监督局部维数约减算法

计算机工程与设计 2013年第4期34卷 1302-1306页

作者：王岩于明翟玉欣陈冀川河北工业大学信息工程学院天津300401

考虑到已有的半监督维数约减方法在利用边信息时将所有边信息等同,不能充分挖掘边所含信息,提出加权成对约束半监督局部维数约减算法(WSLDR)。通过构建近邻图对边信息进行扩充,使边信息数量有所增加。另外,根据边所含信息量的不同构建... 详细信息

考虑到已有的半监督维数约减方法在利用边信息时将所有边信息等同,不能充分挖掘边所含信息,提出加权成对约束半监督局部维数约减算法(WSLDR)。通过构建近邻图对边信息进行扩充,使边信息数量有所增加。另外,根据边所含信息量的不同构建边的权系数矩阵。将边信息融入近邻图对其进行修正,对修正后的近邻图和加权的成对约束寻找最优投影。算法不仅保持了数据的内在局部几何结构,而且使得类内数据分布更加紧密,类间数据分布更加分散。在UCI数据集上的实验结果验证了该算法的有效性。

关键词：半监督维数约减加权成对约束局部几何结构边信息

在线全文

学校读者我要写书评

暂无评论

基于图的半监督维数约减方法的研究

基于图的半监督维数约减方法的研究

作者：付兴虎西南大学

学位级别：硕士

维数约减已经成为当前机器学习领域的受人关注的研究热点。维数约减是将数据由高维约减到低维的过程而用来揭示数据的本质低维结构。它作为克服“维数灾难”的途径在这些相关领域中扮演着重要的角色。在众多维数约减方法中,由于基于图... 详细信息

维数约减已经成为当前机器学习领域的受人关注的研究热点。维数约减是将数据由高维约减到低维的过程而用来揭示数据的本质低维结构。它作为克服“维数灾难”的途径在这些相关领域中扮演着重要的角色。在众多维数约减方法中,由于基于图的维数约减方法简单、容易理解和高性能等特点使其得到了广泛的学习和研究。基于图的方法把每个样本数据作为在图中的一个节点,强调样本数据结构的嵌入即高维空间中的结构在低维空间中得到保持。如何在高维样本上构造图是基于图的维数约减算法的关键。一个好的图再结合适当的降维算法就会有着良好的性能表现。其中,与传统降维算法不同,半监督降维在有限的有价值标记信息或者成对约束下经常可以得到好的低维嵌入比那些无监督降维方法。在过去的几十年里,有着大量的降维算法被提出如:传统的无监督降维方法主成分分析(PCA)、有监督降维方法线性判别分析(LDA)、流行学习算法、基于图的降维算法等等。但大多数方法都多少存在着一些问题,如小样本问题、分类问题、样本的非线性分布问题等等。在本文中针对在高维数据上构造的近邻图难以较好的刻画样本间的相似性,在其上的优化过程并不有助于后续的降维学习,同时也为了进一步提高维数约减算法的效率和降维后的分类精度,我们对半监督维数约减的方法进行了系统的研究。具体来说,论文主要工作包含如下2个方面:(1)提出了一种基于组合图的半监督维数约减算法——SSDRCG。SSDRCG利用随机子空间的思想,把每一个子空间通过聚类的方式构造子图。然后把各个子图融合在一起构成组合图。最后把我们构造的新图与基于成对约束的半监督维数约减算法相结合形成新的降维算法。为了验证该算法的性能,我们将SSDRCG分别与多种维数约减方法进行对比,通过在不同的人脸数据集上的实验证明,该算法降维后的分类精度高于其它方法,时间复杂度也低于增强型保举投影算法(ELPP)。(2)提出一种改进的基于混合图的半监督维数约减算法——SSDRHG。SSDRHG在混合图的构造策略上进一步改进,打造新的图,然后应用到基于成对约束的半监督维数约减中,既利用了同类约束和异类约束,同时也利用了未标记数据进行维数约减。同样的通过在2种不同的人脸数据集上进行实验,得到的结果与多种方法在相同参数下取得的结果进行对比,结果表明这种方法更加优越,不仅降维后的分类精确度高于其它相关方法,而且对近邻参数的选取和噪声数据更加的鲁棒。同时这样方法的思想也可以应用到其它基于图的学习中。

关键词：半监督图构造成对约束维数约减高维数据

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

基于图的半监督维数约减算法研究及其应用

基于图的半监督维数约减算法研究及其应用

作者：周楠西安电子科技大学

学位级别：硕士

维数约减是机器学习领域的一个研究热点。随着信息采集技术的不断发展,数据呈现了爆炸式增长,如何从所获得的海量高维数据中获得有用的信息是我们面临的一个重要课题。针对现实情况中无标记样本充足,而有标记样本较少且难以获得的问题,... 详细信息

维数约减是机器学习领域的一个研究热点。随着信息采集技术的不断发展,数据呈现了爆炸式增长,如何从所获得的海量高维数据中获得有用的信息是我们面临的一个重要课题。针对现实情况中无标记样本充足,而有标记样本较少且难以获得的问题,本论文在对已有的维数约减算法研究的基础上,提出了一些新的半监督维数约减方法,能够同时利用有标记和无标记数据,并将所提出的方法应用于人脸识别、手写体识别和高光谱遥感图像分类中。本论文主要工作概括如下：（1）提出了一种基于局部标度切的半监督维数约减方法,并应用于高光谱遥感图像的分类。首先利用有标记数据的类别信息构造不相似性矩阵,然后根据大量无标记样本的几何结构信息构造正则项,加入到局部标度切判据中。通过求解特征值问题得到低维投影空间,在此空间中,同一类的样本不相似性尽量低,不同类的样本不相似性尽量高,并使在原始空间中距离较近的点,在新的低维空间中依然靠近。实验结果表明,利用本方法先对高光谱遥感图像数据降维,再利用支撑矢量机进行分类,可以获得更高的识别率,算法性能与现有的一些经典算法以及基于局部标度切的有监督降维方法相比,具有一定的优势。（2）提出了一种基于稀疏表示的半监督降维方法。稀疏表示本身既包含了样本之间的关系,又隐含有判别性信息,根据稀疏表示理论构造l1-图,能够充分利用无标记样本的本质特性和相互关系。在l1-图的基础上推导出正则项,并将其与线性判别分析中根据类别信息构造的散度矩阵结合起来,得到基于稀疏表示的半监督维数约减方法。本方法在人脸识别、手写体识别、高光谱分类实验中得到了较高的识别率,且算法性能稳定。（3）提出了一种新的半监督判据准则：稀疏局部标度切判据,并将其用于高光谱数据的降维。此方法在局部标度切基础上,对无标记数据进行稀疏表示,得到稀疏权值矩阵,然后构造正则项,得到新的半监督判据准则。最大化该判据得到的投影空间,能够保持有标记样本在原始空间的类可分性,以及无标记样本之间的稀疏重构关系。基于该准则对高光谱图像进行降维,后续分类结果表明本方法比几种现有经典方法的降维效果理想,且与原始的局部标度切相比,性能也有较大的提升。本论文的工作得到了国家自然科学基金（60803097）、陕西省自然科学基金（2011JQ8020）和中央高校基础科研业务费（K50511020011）等项目的资助。

关键词：维数约减半监督稀疏表示高光谱遥感图像分类