导读:本文包含了非线性维数约减论文开题报告文献综述及选题提纲参考文献，主要关键词:维数约简,辅助信息,成对约束,先验隶属度
非线性维数约减论文文献综述
尹学松,蒋融融,江立飞,施建华[1]（2017）在《基于成对约束的非线性维数约减框架》一文中研究指出半监督维数约简是指借助于辅助信息与大量无标记样本信息从高维数据空间找到一个最优低维判别空间,便于后续的分类或聚类操作,它被看作是理解基因序列、文本与人脸图像等高维数据的有效方法。提出一个基于成对约束的半监督维数约简一般框架(SSPC)。该方法首先通过使用成对约束和无标号样本的内在几何结构学习一个判别邻接矩阵;其次,新方法应用学到的投影将原来高维空间中的数据映射到低维空间中,以至于聚类内的样本之间距离变得更加紧凑,而不同聚类间的样本之间距离变得尽可能得远。所提出的算法不仅能找到一个最佳的线性判别子空间,还可以揭示流形数据的非线性结构。在一些真实数据集上的实验结果表明,新方法的性能优于当前主流基于成对约束的维数约简算法的性能。(本文来源于《计算机工程与应用》期刊2017年05期）
库福来[2]（2012）在《基于核方法的非线性维数约减的人脸识别方法研究》一文中研究指出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。(本文来源于《云南大学》期刊2012-05-01）
段志臣,芮小平,张立媛[3]（2012）在《基于流形学习的非线性维数约简方法》一文中研究指出流形学习是一种新的非线性维数约简方法,近年来正引起可视化等领域研究者的高度重视.为加深对流形学习的理解,介绍了流形学习的基本原理,总结了其研究进展和分类方法,最后阐述了几种常用的流形学习方法的基本思想、算法步骤和各自的优缺点.通过在人工数据集Swiss-Roll上进行实验,将各类方法在近邻值选取和噪声影响等方面进行了对比分析,结果表明:与传统的线性维数约简方法相比,流形学习方法能够有效地发现观测样本的低维结构.最后对流形学习未来的研究方向作出展望,以期在这一领域取得更大进展.(本文来源于《数学的实践与认识》期刊2012年08期）
孙越恒,侯越先,何丕廉[4]（2008）在《非线性维数约减算法在文档聚类中的应用》一文中研究指出提出一种非线性维数约减算法——自组织等距嵌入实现高维文档数据的压缩,并在文档聚类实验中,与经典的线性维数约减算法—隐含语义索引进行了比较研究。实验结果表明,在复杂度显着低于LSI算法的同时,SIE算法取得了优于LSI算法的性能,且高于基准性能。(本文来源于《计算机应用》期刊2008年02期）
黄启宏,刘钊[5]（2007）在《流形学习中非线性维数约简方法概述》一文中研究指出较为详细地回顾了流形学习中非线性维数约简方法,分析了它们各自的优势和不足。与传统的线性维数约简方法相比较,可以发现非线性高维数据的本质维数,有利于进行维数约简和数据分析。最后展望了流形学习中非线性维数方法的未来研究方向,期望进一步拓展流形学习的应用领域。(本文来源于《计算机应用研究》期刊2007年11期）
张磊[6]（2007）在《基于非线性维数约减的优化算法在脑电问题中的应用》一文中研究指出基于头皮电位的脑电(EEG)的研究是一种无创的脑科学研究方法之一,引起了众多学者的关注。脑电信号是一种非平稳且非线性的随机信号,在很多情况下,计算机处理的脑电数据通常维数高,数据量大,且经常需要将其作为一个整体进行处理和分析。采用传统的线性或局部的算法直接处理这样的数据,会使问题变得比较复杂。针对EEG的这些特点,本文引入了基于流形学习的非线性维数约减(即非线性降维)方法对脑电信号进行预处理,从全局的和非线性角度得到能够揭示高维脑电数据本征结构的低维数据,再应用全局优化算法对脑电数据进行处理。目前常用的线性维数约减技术都不能揭示实际数据的非线性结构。而基于流形学习的非线性维数约减技术,如等距映射(ISOMAP),局部线性嵌套(LLE)等优于传统的线性降维技术。本文对非线性维数约减算法、全局优化算法及脑电问题进行了研究,研究了非线性维数约减算法在EEG中的应用,对以下叁个方面的脑电问题进行了应用研究:LLE和BP神经网络在癫痫棘波和背景脑电信号识别中的应用,提出了基于非线性维数约减预处理的癫痫棘波的自动检测方法;上下移动光标的意识任务脑电分类;用ISOMAP及遗传算法对仿真的脑电数据进行了偶极子源定位研究。模拟实验的结果表明,采用本文提出的方法,癫痫棘波信号正确识别率可达97%,上下移动光标的意识任务脑电分类正确率达到92%。用ISOMAP降维后的脑电数据通过遗传算法进行偶极子源定位,进化到500代时,平均适应度就达到了4.4808×10~(-3),提高了遗传算法的收敛速度。(本文来源于《河北工业大学》期刊2007-11-01）
侯越先,吴静怡,张扬,何丕廉[7]（2007）在《基于统计判据的非线性维数约简》一文中研究指出现有非线性维数约简算法均需要人工设定适当的邻域点数k(或者邻域半ε)才能获得合理的嵌入结果．但常用的基于嵌入残差的邻域参数选择方法本质上是循环依赖的,不能有效工作．为实现非线性维数约简算法的定量评价的参数辨识,从讨论优化嵌入的基本判定原则出发,给出了基于空域互信息和正则依赖指数谱的优化嵌入判据实现嵌入质量的定量评价和非线性维数约简算法的非监督参数辨识．仿真实验表明,直观的嵌入质量可被优化嵌入判据有效反映,且由嵌入集拟合恢复原数据集时的拟合精度与优化嵌入判据之间存在显着的正相关．(本文来源于《天津大学学报》期刊2007年01期）
侯越先,吴静怡,何丕廉[8]（2006）在《基于局域主方向重构的适应性非线性维数约减》一文中研究指出现有的主要非线性维数约减算法,如SIE和Isomap等,其邻域参数的设定是全局性的。仿真表明,对于局域流形结构差异较大的数据集,全局一致的邻域参数可能无法获得合理的嵌入结果。为此给出基于局域主方向重构的适应性邻域选择算法。算法首先为每个参考点选择一个邻域集,使各邻域集近似处于局域主线性子空间,并计算各邻域集的基向量集;再由基向量集对各邻域点的线性拟合误差判定该邻域点与主线性子空间的偏离程度,删除偏离较大的点。仿真表明,基于局域主方向重构的适应性邻域选择可有效处理局域流形结构差异较大的数据集;且相对于已有的适应性邻域选择算法,可以更好屏蔽靠近参考点的孤立噪声点及较大的空间曲率导致的虚假连通性。(本文来源于《计算机应用》期刊2006年04期）
石陆魁[9]（2005）在《非线性维数约减算法中若干关键问题的研究》一文中研究指出维数约减是处理多维数据的一个重要步骤,是机器学习中的一个重要研究课题,尤其是非线性维数约减技术已经成为机器学习中的一个研究热点。本文针对非线性维数约减算法中的若干关键问题进行了研究。首先,分析和比较了基于应力函数的评价模型、基于剩余方差的评价模型和基于DY-DX表示法的评价模型,提出了一种基于距离比例方差的评价模型。实验结果表明,利用该模型不但可以评判同一算法在不同参数下的映射效果,而且可以比较不同算法之间的嵌入质量。同时还讨论了如何利用应力函数、剩余方差和距离比例方差来确定邻域参数和低维空间的维数。其次,研究了增量式非线性维数约减算法问题,通过改进增量式ISOMAP算法得到了基于距离保持的增量式算法,提出了基于拓朴保持的增量式算法和基于k近邻投影的增量式算法,这叁种算法都可以较为中肯地将训练集之外的样本映射到低维空间中。理论分析和实验结果表明,基于距离保持的增量式算法具有较好的映射质量,基于拓朴保持的增量式算法具有较高的效率,但它们都只是对ISOMAP算法的扩展。而基于k近邻投影的增量式算法同时具有较好的映射质量和较高的计算效率,而且可以作为任一种非线性维数约减算法的扩展。对于含噪声的数据,由于新样本的低维嵌入与训练集的低维坐标无关,基于拓朴保持的增量式算法对噪声不太敏感。而其他两种算法只要在映射训练样本时较好地处理了噪声,就可以忽略噪声的影响。最后,本文讨论了非线性维数约减算法在分类和聚类中的应用。在指纹分类和文本分类中的实验结果表明,通过结合非线性维数约减算法和分类技术,在保证分类精度的前提下,极大地提高了分类算法的执行效率,降低了分类算法的空间需求。对聚类算法的实验结果表明,基于非线性维数约减的聚类算法可以发现任意形状的类,聚类质量明显优于K-均值算法的聚类结果。(本文来源于《天津大学》期刊2005-12-01）
侯越先,丁峥,何丕廉[10]（2005）在《基于自组织的鲁棒非线性维数约减算法》一文中研究指出现有的非线性维数约减算法需要求解大尺度特征值问题 由于特征值问题至少二次的计算复杂性 ,这类算法在大样本集上的应用较受限制 此外 ,现有算法的全局优化机制对于噪声较为敏感 ,且需要考虑“病态矩阵”的计算精度问题 提出时间复杂性为O (NlogN)的自组织非线性维数约减算法SIE SIE的主要计算过程是局域的 ,可提高算法抗噪性、回避病态矩阵的计算精度问题 仿真表明 ,对于无噪数据和含噪数据 ,SIE均可获得优化或近似优化的重构质量(本文来源于《计算机研究与发展》期刊2005年02期）
非线性维数约减论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
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。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
非线性维数约减论文参考文献
[1].尹学松,蒋融融,江立飞,施建华.基于成对约束的非线性维数约减框架[J].计算机工程与应用.2017
[2].库福来.基于核方法的非线性维数约减的人脸识别方法研究[D].云南大学.2012
[3].段志臣,芮小平,张立媛.基于流形学习的非线性维数约简方法[J].数学的实践与认识.2012
[4].孙越恒,侯越先,何丕廉.非线性维数约减算法在文档聚类中的应用[J].计算机应用.2008
[5].黄启宏,刘钊.流形学习中非线性维数约简方法概述[J].计算机应用研究.2007
[6].张磊.基于非线性维数约减的优化算法在脑电问题中的应用[D].河北工业大学.2007
[7].侯越先,吴静怡,张扬,何丕廉.基于统计判据的非线性维数约简[J].天津大学学报.2007
[8].侯越先,吴静怡,何丕廉.基于局域主方向重构的适应性非线性维数约减[J].计算机应用.2006
[9].石陆魁.非线性维数约减算法中若干关键问题的研究[D].天津大学.2005
[10].侯越先,丁峥,何丕廉.基于自组织的鲁棒非线性维数约减算法[J].计算机研究与发展.2005