检索结果-南通市图书馆

基于邻域距离ISOMAP算法的高光谱遥感降维算法

在线全文

学校读者我要写书评

暂无评论

遥感技术与应用 2014年第4期29卷 695-700页

作者：周颂洋谭琨吴立新中国矿业大学江苏省资源环境信息工程重点实验室江苏徐州221116

提出一种以邻域距离改进ISOMAP的算法(Neighborhood Distance ISOMAP,ND-ISOMAP),该方法采用邻域距离逐步逼近流形距离来表达高维数据的流形结构。同时针对ISOMAP算法的计算复杂度高、运算时间长的特点,提出了一种基于矩阵分块和自动调... 详细信息

提出一种以邻域距离改进ISOMAP的算法(Neighborhood Distance ISOMAP,ND-ISOMAP),该方法采用邻域距离逐步逼近流形距离来表达高维数据的流形结构。同时针对ISOMAP算法的计算复杂度高、运算时间长的特点,提出了一种基于矩阵分块和自动调图的ISOMAP算法(Block-matrix and Auto-color ISOMAP,BA-ISOMAP)以提高运算速率。通过对高光谱遥感影像进行分类比较算法优劣性,基于邻域距离的ISOMAP算法较原始的ISOMAP算法降维效果有了较大的提升,最高分类精度达到97.36%,而原始的ISOMAP算法仅能达到75.01%的分类精度,而基于矩阵分块与自动调图ISOMAP与邻域距离相结合降维后精度达到89.61%,但是其计算速率得到了较大提升,为原始ISOMAP算法的近40倍。

关键词：高光谱遥感分类邻域距离 ISOMAP 支持向量机

在线全文

学校读者我要写书评

暂无评论

一种基于邻域距离的聚类特征选择方法

计算机科学 2012年第1期39卷 175-177页

作者：秦奇伟梁吉业钱宇华计算智能与中文信息处理教育部重点实验室太原030006 山西大学计算机与信息技术学院太原030006

针对高维复杂的符号数据集在聚类中的聚类效果差和计算耗时过大的问题,首先提出了一种基于邻域距离的无监督特征选择算法,然后在选择到的特征子集上进行重新聚类,从而有效提高了聚类结果的精度,降低了聚类计算的计算耗时。实验结果表明... 详细信息

针对高维复杂的符号数据集在聚类中的聚类效果差和计算耗时过大的问题,首先提出了一种基于邻域距离的无监督特征选择算法,然后在选择到的特征子集上进行重新聚类,从而有效提高了聚类结果的精度,降低了聚类计算的计算耗时。实验结果表明,该算法可以找到有效的特征子集,提高数据集的聚类精度,降低面对高维复杂数据集聚类的计算耗时。

关键词：特征选择聚类计算邻域距离属性重要度

基于EK-medoids聚类和邻域距离的特征选择方法

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2019年第8期36卷 2279-2283页

作者：孙印杰张新乐孙林河南师范大学计算机与信息工程学院河南新乡453007 河南师范大学河南省高校计算智能与数据挖掘工程技术研究中心河南新乡453007

针对传统聚类算法中只注重数据间的距离关系而忽视数据全局性分布结构的问题,提出一种基于EK-medoids聚类和邻域距离的特征选择方法。首先,用稀疏重构的方法计算数据样本之间的有效距离,构建基于有效距离的相似性矩阵;然后,将相似性矩... 详细信息

针对传统聚类算法中只注重数据间的距离关系而忽视数据全局性分布结构的问题,提出一种基于EK-medoids聚类和邻域距离的特征选择方法。首先,用稀疏重构的方法计算数据样本之间的有效距离,构建基于有效距离的相似性矩阵;然后,将相似性矩阵应用到K-medoids聚类算法中,获取新的聚类中心,进而提出EK-medoids聚类算法,可有效对原始数据集进行聚类;最后,根据划分结果所构成簇的邻域距离给出确定数据集中的属性重要度定义,应用启发式搜索方法设计一种EK-medoids聚类和邻域距离的特征选择算法,降低了聚类算法的时间复杂度。实验结果表明,该算法不仅有效地提高了聚类结果的精度,而且也可选择出分类精度较高的特征子集。

关键词：特征选择有效距离 K-medoids聚类邻域距离

在线全文

学校读者我要写书评

暂无评论

近红外光谱分析中定标集样品挑选方法研究

农业机械学报 2006年第4期37卷 80-82,101页

作者：吴静珠王一鸣张小超张巧杰中国农业大学信息与电气工程学院中国农业机械化科学研究院

介绍了目前常见的几种定标集样品挑选方法:含量梯度法、Duplex法和Kennard-Stone法,并提出了新的挑选方法:GN距离法。该方法以全局距离来界定定标集样品范围,以邻域距离来剔除相似样品,根据不同的全局和邻域距离组合挑选出定标集样品建... 详细信息

介绍了目前常见的几种定标集样品挑选方法:含量梯度法、Duplex法和Kennard-Stone法,并提出了新的挑选方法:GN距离法。该方法以全局距离来界定定标集样品范围,以邻域距离来剔除相似样品,根据不同的全局和邻域距离组合挑选出定标集样品建模,根据计算所得最小交叉验证误差SECV来确定最合理的定标集样品。通过实例,讨论比较了上述4种方法优缺点。结果表明:GN距离法能够在保持原始样品集覆盖范围的基础上,适量剔除异常样品,GN距离法挑选出的定标集所建模型具有较低的模型复杂度、较高的相关系数和较好的模型预测能力。

关键词：定标集近红外样品挑选全局距离邻域距离

在线全文

学校读者我要写书评

暂无评论

基于空间约束的离群点挖掘

计算机科学 2007年第6期34卷 207-209,230页

作者：薛安荣鞠时光江苏大学计算机科学与通信工程学院镇江212013

由于现有的空间离群点检测算法没有很好地解决空间数据的自相关性和异质性约束问题,提出用计算邻域距离的方法解决空间自相关性约束问题,用计算空间局部离群系数的方法解决空间异质性约束问题。用离群系数表示对象的离群程度,并将离群... 详细信息

由于现有的空间离群点检测算法没有很好地解决空间数据的自相关性和异质性约束问题,提出用计算邻域距离的方法解决空间自相关性约束问题,用计算空间局部离群系数的方法解决空间异质性约束问题。用离群系数表示对象的离群程度,并将离群系数按降序排列,取离群系数最大的前m个对象为离群点,据此提出基于空间约束的离群点挖掘算法。实验结果表明,所提算法比已有算法具有更高的检测精度、更低的用户依赖性和更高的效率。

关键词：空间局部离群系数邻域距离空间离群点离群点检测

在线全文

学校读者我要写书评

暂无评论

聚类分析中的特征选择研究

聚类分析中的特征选择研究

作者：秦奇伟山西大学

学位级别：硕士

聚类分析是机器学习和数据挖掘中的重要工具,在发现数据中的隐含知识和识别数据内在结构方面有着重要的作用。迅猛发展的计算机技术、网络技术和数据库技术使得数据的采集、传输和存储更为便利和快捷,从而形成了大量类型复杂、结构多样... 详细信息

聚类分析是机器学习和数据挖掘中的重要工具,在发现数据中的隐含知识和识别数据内在结构方面有着重要的作用。迅猛发展的计算机技术、网络技术和数据库技术使得数据的采集、传输和存储更为便利和快捷,从而形成了大量类型复杂、结构多样的高维海量数据,其带来数据结构的复杂性使得当前特征选择算法和机器学习算法难以收到较好的结果,迫切需要发展适应大规模数据的准确性和运行效率等综合性能较好的、新的特征选择算法以及机器学习算法。因此,为了有效的进行模式分类和聚类分析,特征降维就显得尤为重要。本文针对大规模数据聚类分析中的特征选择方法研究开展了较为深入的研究,主要内容如下：（1）针对当前大规模数据处理中遇到的问题进行分析,对当前在聚类分析中的特征选择算法进行总结分类。针对特征和类别之间的关系,引入一种邻域度量方式,给出了一个度量特征聚类能力的评价指标。（2）针对分类型数据,运用新的特征评价指标,结合启发式搜索策略,提出了一种特征选择算法,通过与传统的聚类分析算法进行了比较和分析,证明特征选择算法在提高聚类精度和降低时耗方面是可行和有效的。（3）将提出的特征选择方法应用到半监督聚类分析中,通过与传统的聚类分析方法进行对照分析,在提高聚类精度和降低时耗等方面验证了算法的有效性。本文取得的成果进一步发展了无监督领域中特征选择的研究,也为解决高维复杂数据的聚类分析等实际应用问题提供了新的方法和视角。

关键词：特征选择聚类算法邻域距离属性重要度

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

基于邻域粗糙集的特征选择方法研究

基于邻域粗糙集的特征选择方法研究

作者：张新乐河南师范大学

学位级别：硕士

基因芯片技术是研究基因表达谱数据的一种有效工具,通过分析基因表达谱数据中的数千个基因数据,在医学等领域得到了广泛的应用。基因表达谱数据急速增长,表现出规模庞大、内容复杂的特性,这不仅导致特征空间的维数不断增加而降低了学习... 详细信息

基因芯片技术是研究基因表达谱数据的一种有效工具,通过分析基因表达谱数据中的数千个基因数据,在医学等领域得到了广泛的应用。基因表达谱数据急速增长,表现出规模庞大、内容复杂的特性,这不仅导致特征空间的维数不断增加而降低了学习算法的效率,也使得大量多余数据的出现干扰了实验的结果。基因芯片技术的发展对癌症的研究有很大的影响。微阵列基因表达谱数据已被广泛应用于癌症生物标识或关键基因的识别,有效促进了传统组织病理学的发展,并提高癌症诊断和分类的准确性,对发现新疗法的癌症病因的认识进一步加强。基因表达谱数据具有高维特性,传统的基因分类方式的分类精度很差。因此,特征构建和基因选取被应用于基因表达谱数据,以克服高维问题。特征选择已被应用于微阵列基因表达谱数据处理,它是选择信息基因的最小子集的过程,这些信息基因的最小子集是最能预测其基因组的分类模型,这使得分类器能够准确地对样本进行分类。特征选择算法的目的是使微阵列数据特征空间最小化,从而选择出最重要的属性,以提高分类的准确性。粗糙集理论及其应用迅速发展,已成为一种处理不确定数据并进行特征选择、规则提取和知识发现的有效工具。本文主要从优化特征选择的角度研究基因表达谱数据,基于邻域粗糙集的相关概念,从提高特征选择算法的分类精度和降低算法的耗时两个方面入手,使之能够有效的处理一些基因表达谱数据。本文的主要研究内容如下:（1）粗糙集的边界域中的信息是不确定的,这些区域的信息往往很重要,研究这些不确定的信息对属性约简有重要作用。针对邻域粗糙集中的边界域模糊的特点,研究了一种基于依赖度和距离函数的邻域粗糙集特征选择方法。首先,基于邻域粗糙集模型描述了邻域依赖度、属性必要性等概念;然后,在邻域决策系统中给出了上下近似集的均值定义,设计了邻域边界域对象相对于上下近似集均值的距离函数,提出了基于邻域粗糙集的特征选择方法,并将其应用于癌症基因数据的特征选择,构建了一种基于依赖度和距离函数的邻域粗糙集特征选择算法;最后,采用不同的分类器对算法进行测试。实验结果表明,该方法是有效可行的。与现有的特征选择方法相比,它具有更好的分类性能,能够有效地处理邻域粗糙集边界域中的不确定信息。（2）针对传统聚类算法中只注重数据间的距离关系,而忽视数据全局性分布结构的问题,提出了一种基于EK-medoids聚类和邻域距离的特征选择方法。首先,用稀疏重构的方法计算数据样本之间的有效距离,构建了基于有效距离的相似性矩阵;然后,将相似性矩阵应用到K-medoids聚类算法中,获取新的聚类中心,进而提出了EK-medoids聚类算法,可有效对原始数据集进行聚类;最后,根据划分结果所构成簇的邻域距离给出确定数据集中的属性重要度定义,应用启发式搜索方法设计了一种EK-medoids聚类和邻域距离的特征选择算法,有效降低了聚类算法的时间复杂度。实验结果表明,该算法不仅有效地提高了聚类结果的精度,而且也可选择出分类精度较高的特征子集。（3）针对蚁群聚类算法收敛速度慢、算法耗时长等特点,研究了一种基于蚁群聚类优化的邻域特征选择算法。首先,在传统的蚁群算法每次循环计算的各个样本到其对应的聚类中心的总的偏离误差的基础上,生成一组随机数来检验误差,找出偏离误差最小的最佳路径,并对原始数据集进行预聚类;然后根据每个聚类的邻域距离,进行特征选择;最后,在所选取的特征子集上重新聚类,验证已选取的特征子集的分类精度。实验结果表明,该算法能够选择出了分类精度较高的特征子集。

关键词：特征选择邻域距离邻域粗糙集聚类

基于密度的K-means初始聚类中心选取算法

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

电子科技 2015年第7期28卷 105-107页

作者：韩凌波中共湛江市委党校干部在线学习管理科广东湛江524032

传统K-means算法的初始聚类中心从数据集中随机抽取,聚类结果会随着初始聚类中心的不同而产生波动。针对这一问题,提出一种基于密度的优化初始聚类中心选取算法,通过计算每个数据对象的密度参数和邻域距离,选取k个处于高密度分布的点作... 详细信息

传统K-means算法的初始聚类中心从数据集中随机抽取,聚类结果会随着初始聚类中心的不同而产生波动。针对这一问题,提出一种基于密度的优化初始聚类中心选取算法,通过计算每个数据对象的密度参数和邻域距离,选取k个处于高密度分布的点作为初始聚类中心。在聚类类别数给定的情况下,使用标准的UCI数据库进行对比实验,发现改进后的算法较传统算法有相对较高的准确率和稳定性。

关键词： K-means算法聚类中心密度参数邻域距离