导读:本文包含了半监督流形学习论文开题报告文献综述及选题提纲参考文献，主要关键词:无线局域网,室内指纹定位,全局流形结构,半监督流形对齐
半监督流形学习论文文献综述
李世宝,王升志,张鑫,陈海华,刘建航[1]（2019）在《基于全局流形结构的半监督学习室内定位算法》一文中研究指出针对传统基于WLAN的指纹定位方法中,因需要密集采集参考点标记数据带来的指纹库构建工作开销大的问题,提出一种基于全局特征保持的半监督流形对齐指纹库构建算法。该算法仅利用少量采集时间开销大的标记数据,结合大量易采集的未标记数据,通过求解流形对齐目标函数,实现对未标记数据的位置标定,减少指纹库构建的消耗。同时,运用测地线距离得到全局流形结构以充分挖掘少量标记数据中的对应特征,提升在少量标记数据情况下构建的指纹库精度。真实场景的实验结果表明,所提算法可以显着降低离线指纹库的构建开销,同时可以取得较优的定位精度。(本文来源于《计算机与现代化》期刊2019年07期）
沈雅婷[2]（2018）在《面向半监督流形正则化分类学习的改进框架研究》一文中研究指出半监督分类学习是机器学习中一个重要研究领域,同时利用有标记和无标记样本进行学习,以缓解样本类标记稀缺的问题。流形正则化(Manifold regularization,MR)是半监督分类中一个经典有效的学习框架,但仍存在以下不足:1)在MR中,已标记样本的位置是随机的,可能处于边界区域甚至相反类中,将这些样本的标记传播到它们的近邻样本,可能会误导MR分类,尽管学习中会同时考虑未标记样本的分布结构。2)MR的平滑约束是基于所有样本对实现的,即将每个样本对看作一个单独对象。然而,光滑性本质是逐点的,具体来说,光滑性自然地发生在“每一点处”,体现每个样本点与其近邻点的相关联行为。因此,本文的研究问题主要包括以下的两个内容:首先,为减少已标记样本极其稀缺或位置存在误导时所产生的影响,对已标记样本集进行扩充,提出一种新的标记扩充的MR框架(Label-expanded Manifold Regularization for semi-supervised classification,LE_MR)。在LE_MR中,先利用聚类方法,如KFCM,发现每类中的高可信度样本,此类样本通常处于聚类中心区域。再利用所获样本及其聚类标号扩充标记样本集,缓解标记样本缺乏的问题,以帮助提升MR的分类性能。在真实数据集上的实验结果表明:基于扩充的标记样本,LE_MR可有效提升MR框架的学习性能。其次,为保留平滑性的逐点特性并且减少样本对的误导,通过考虑单个样本而非样本对的光滑性提出一种新的逐点MR框架(Pointwise Manifold Regularization for semi-supervised learning,PW_MR)。在PW_MR中,通过考虑单个样本而非样本对,平滑性的逐点特性得以保留;同时,引入了单个样本的重要性,可由局部密度描述,以帮助提升MR的分类性能。在真实数据集上的实验结果表明:逐点MR可帮助提升MR框架的学习性能。(本文来源于《南京邮电大学》期刊2018-11-14）
徐金成,李晓东,刘辉[3]（2018）在《基于两阶段流形学习的半监督维数约简算法》一文中研究指出为克服直接从高维数据建立数据的流形结构,导致对分类有效的流形结构不够突出的问题,提出一种基于两阶段流形学习的半监督维数约简算法(TSMSDR)。利用原始高维数据建立流形结构,将训练数据映射到低维空间,利用低维空间的训练数据建立新的流形结构,在新建立的流形结构的基础上得到最终的映射矩阵。实验结果表明,在CMU PIE、Extend YaleB、ORL、AR等4个人脸数据库上,TSMSDR算法明显优于其它对比的维数约减算法。(本文来源于《计算机工程与设计》期刊2018年08期）
唐云霞[4]（2018）在《基于流形学习的室内WLAN半监督位置指纹数据库构建方法》一文中研究指出随着短距离无线电技术的高速发展和无线局域网络(Wireless Local Area Networks,WLAN)的普及,用户在享受WLAN带来方便快捷信息交互功能的同时,对高效精准的室内位置服务需求也愈发迫切。由于基于WLAN的室内定位技术只需要利用软件的升级与更新,通过软件计算即可实现定位功能,因此在室内环境中应用较广。但由于室内环境复杂,定位信号会发生抖动,传统的WLAN指纹定位算法为了实现对目标的高精度定位,需要耗费大量的人力、物力和时间开销来实现位置指纹数据库的构建工作。因此,如何在保证定位性能的同时,降低位置指纹数据库的构建成本是目前亟需解决的重要问题。针对此问题,本文基于用户采集的大量无标记指纹样本,提出了一种基于半监督多信息流形学习的位置指纹数据库构建方案,该方案不仅能保证较高定位精度,同时可明显减少离线阶段的建库成本。本文的主要研究内容如下:1.根据需要采集的标记指纹的个数,讨论了室内WLAN指纹定位系统的四种不同建库方法。同时,本文分析了流形学习的理论基础和典型方法,并在此基础上,给出基于流形学习的半监督室内WLAN位置指纹数据库的构建方法。2.对传统的流形学习算法进行改进以适用于WLAN指纹定位系统。首先针对无监督构图方法无法反映标记数据信息的问题,提出基于标记数据的构图方法进行高维流形构建,并给出相应的理论证明;其次,为了进一步符合WLAN实际环境,针对不同特征空间提出不同的距离测量方法进行近邻点的距离测量,使得流形能更好地刻画高维数据的特征,提高位置指纹数据库的可用性。3.利用假设检验理论推导出每个参考点处有效刻画信号特征所需的最少样本个数,并结合叁次样条插值算法实现初始数据库构建。在此基础上,提出多信息流形学习算法,结合标记数据的物理位置信息与未标记数据的时间戳信息,对大量未标记数据进行标记,最终形成半监督位置指纹数据库。同时,本文进行了大量实验,实验结果表明,本系统在3米内的定位误差置信概率为80.78%,比传统RADAR系统高出27.48%。(本文来源于《重庆邮电大学》期刊2018-03-20）
孟岩[5]（2017）在《基于自适应图的半监督流形正则化分类学习框架研究》一文中研究指出半监督分类学习是机器学习中一个重要研究领域,目前已有大量半监督分类学习算法被相继提出。但在真实的学习任务中,研究者很难决定究竟选择哪一种方法。据我们所知,目前并没有相关的理论或经验指导。另外,流形正则化(Manifold regularization,MR)为半监督分类学习提供了强有力的学习框架,但是传统流形正则化方法存在的两个问题:1)流形正则化方法通常事先构建流形结构图,并且在学习的过程中固定。流形结构图的构建与分类学习的过程相互独立,所建图并不一定有利于后续分类。2)图的构建过程中存在若干可调参数,但是目前半监督学习中仍然缺乏参数选择的有效解决方法,这为流形结构图的构建带来一定的障碍。因此,本文研究的内容主要包含以下两个部分:首先,为在半监督分类方法的选择方面给出经验指导,对比了典型的半监督分类方法。因现有半监督分类方法可按照所采用的数据分布假设进行划分,因此本文以最小二乘(Least Squares,LS)方法为基准,研究比较了基于聚类假设的转导支持向量机(Transductive Support Vector Machine,TSVM)、基于流形假设的正则化最小二乘分类(Laplacian Regularized Least Squares Classification,LapRLSC)方法、同时利用两种假设的SemiBoost以及不利用任何假设的隐式约束最小二乘(Implicitly Constrained Semi-supervised Least Squares,ICLS)方法的分类性能。获得如下研究结论:1)在已知数据分布的情况下,利用相应数据分布假设的方法可保证较好的分类性能;2)在对数据分布没有任何先验知识且样本数量有限的情况下,TSVM能够达到较高的分类精度;3)在较难获得样本类别标记而又强调分类安全性时,宜选择ICLS,而LapRLSC也是较好的选项之一。其次,提出了一个基于自适应图的半监督流形正则化分类学习框架(简称AGMR),同时进行图的构建和分类学习。在该框架中,图的构建和分类学习过程相互统一,从而相互促进;同时,流形结构图的参数随着学习的过程调整,无需事先给定。对于图权值约束,分别采用熵约束和稀疏约束,发展出熵约束AGMR(AGMR_entropy)和稀疏约束AGMR(AGMR_sparse)方法。实验结果表明新方法能够有效提升传统流形正则化框架的学习性能。(本文来源于《南京邮电大学》期刊2017-10-26）
李暑升[6]（2017）在《基于多视图半监督流形学习的左房壁瘤体积直接估算》一文中研究指出左房壁瘤体积的准确估算在肿瘤的早期诊断和治疗计划中是一项具有实际应用价值的课题。然而由于左房壁瘤通常具有形态变化大、边界不明显以及与周围环境对比度低等特点,所以对左房壁瘤的分割无论对于人工或者计算机来说都是一个挑战性的工作。因此,论文提出了一种不需要分割或者叁维重建步骤的新颖的体积直接估算框架,来克服分割所带来的这些缺点。利用计算机辅助技术精确地估算左房壁瘤的体积,可以极大的减少医生的工作量,并且能够为医生提供有价值的临床诊断信息,具有十分重要的临床价值。为了克服房壁瘤的形态不规则和周围环境复杂性,论文提出了基于多尺度叁维形态学梯度的稀疏编码特征提取方法和一种新颖的多视图半监督流形学习算法。在第叁章中,本文提出基于多尺度叁维形态学梯度的稀疏编码特征提取方法,这种方法能够充分利用左房壁瘤CT图像叁维结构信息获得叁维形态学梯度,再结合稀疏表达进行无监督自主特征提取,从而获取更为本质的特征。基于获取的特征,在第四章中提出了一种新颖的多视图半监督流形学习算法对体积进行直接估算,它能够融合多视图特征并且充分利用监督信息和未标记样本生成区分度高和鲁棒性强的房壁瘤图像特征表达。然后基于房壁瘤图像的特征表达,利用随机森林模型直接估算房壁瘤体积。最后,论文提出的方法在67套临床数据(共包含1220张图像)上进行验证。实验结果表明论文提出的左房壁瘤体积直接估算框架与标准体积相比,能够达到0.912的高相关系数。同时,通过和其它不同类型的房壁瘤体积估算方法比较,表明论文的方法在准确率和相关系数上都具有较多优势,显示出提出的方法在临床实践中的潜在应用价值。(本文来源于《厦门大学》期刊2017-06-30）
张晓涛,唐力伟,王平,邓士杰[7]（2016）在《基于半监督PCA-LPP流形学习算法的故障降维辨识》一文中研究指出提出一种基于半监督思想PCA-LPP的流形学习维数约简故障辨识方法,兼顾PCA的全局结构和LPP的局部结构保持以及样本的类别信息,构造新的投影矩阵目标函数,给出PCA-LPP流形学习算法的计算原理。采用UCI中wine数据集验证半监督PCA-LPP方法的维数约简性能,并就齿轮箱故障声发射实验信号,以小波包能量熵作为特征向量,并将特征向量的降维结果输入支持向量机进行故障类型辨识。研究结果表明:半监督PCA-LPP方法的降维结果,能够充分考虑不同故障特征向量的差异信息,相应的故障类型辨识精度高于PCA及LPP方法。(本文来源于《中南大学学报(自然科学版)》期刊2016年05期）
崔业勤,高建国[8]（2016）在《代价敏感的监督流形学习人脸识别方法》一文中研究指出基于子空间学习的人脸识别均假设所有错误识别会导致一样的损失。在人脸识别应用中,不同的错误识别造成的损失则不同。提出一种代价敏感的监督流形学习人脸识别方法,该方法采用一个代价矩阵来指定不同的误分类代价,并将其容纳到局部保持投影(Locality Preserving Projections,LPP)算法中,获得相应的代价敏感局部保持投影(Cos-Sen LPP),以实现人脸识别整体损失最小化。在3个人脸数据库上的实验结果表明,与现有的子空间学习方法相比,Cos-Sen LPP方法花费了最少的整体代价。(本文来源于《系统仿真学报》期刊2016年05期）
郝勇智[9]（2016）在《基于流形学习的半监督分类方法及其应用》一文中研究指出信息技术和互联网的飞速发展,使得从多个数据源得到的多种形态的数据不断的呈指数级增长。如何对这些海量的复杂高维数据进行快速有效的处理、提取用户所需要的有价值信息是理论与应用数学、模式识别和计算机视觉等领域的学者们所共同关注的问题。大量的数据往往表现出很明显的非线性特性,为了很好地解决这一问题,人们提出了流形学习算法。流形学习是一种有效的数据处理工具,可以从原始高维数据中挖掘有效精简的信息并发现数据的低维本质属性。但目前的流形学习算法多是无监督的算法,没有利用到样本数据的先验信息。如能获得部分样本的先验信息,可以在训练阶段利用这些信息来提高分类器的分类性能,进而对普通学习算法进行推广得到其半监督算法。在处理高维样本数据时,通常会先对样本数据进行降维操作,主成分分析(PCA)算法就是一种常用的高维数据降维算法。考虑到PCA算法因未能充分利用样本的先验信息,导致降维效率有限,而且监督学习和非监督学习算法在已标记样本数据利用方面存在很多不足,本文提出了一种基于流形判别分析的半监督支持向量机算法,通过定义基于流形的类内离散度和类间离散度,充分发挥流形判别分析的性质,从而更深入地改进半监督支持向量机,在分类决策时同时考虑了样本数据集的边界信息、分布特征和它的局部流形结构,该方法不仅继承了传统机器学习降维方法的优势,而且使算法的降维效率和分类准确率得到了较大提高。通过在ORL人脸数据库上的实验,验证了该算法的有效性。(本文来源于《中北大学》期刊2016-04-11）
赵立杰,王海龙,陈斌[10]（2016）在《基于流形正则化半监督学习的污水处理操作工况识别方法》一文中研究指出污水处理过程容易受外界冲激扰动影响,引发污泥上浮、老化、中毒、膨胀等故障工况,导致出水水质质量差,能源消耗高等问题,如何快速准确识别污水操作工况故障至关重要。针对污水工况识别过程中现有监督学习方法未利用大量未标记数据蕴含的丰富操作工况信息,采用基于流形正则化极限学习机的半监督学习方法,监视生化污水处理过程操作运行工况。该方法在学习过程中,在标记和未标记数据输入空间构建图拉普拉斯算子,通过随机特征映射建立隐含层,在流形正则化框架下,求解隐含层和输出层之间的权重,保留随机神经网络的计算效率和泛化性能。仿真实验结果表明,基于半监督极限学习机的污水处理工况识别在准确率与可靠性方面相对优于基本极限学习机方法。(本文来源于《化工学报》期刊2016年06期）
半监督流形学习论文开题报告
（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：
半监督分类学习是机器学习中一个重要研究领域,同时利用有标记和无标记样本进行学习,以缓解样本类标记稀缺的问题。流形正则化(Manifold regularization,MR)是半监督分类中一个经典有效的学习框架,但仍存在以下不足:1)在MR中,已标记样本的位置是随机的,可能处于边界区域甚至相反类中,将这些样本的标记传播到它们的近邻样本,可能会误导MR分类,尽管学习中会同时考虑未标记样本的分布结构。2)MR的平滑约束是基于所有样本对实现的,即将每个样本对看作一个单独对象。然而,光滑性本质是逐点的,具体来说,光滑性自然地发生在“每一点处”,体现每个样本点与其近邻点的相关联行为。因此,本文的研究问题主要包括以下的两个内容:首先,为减少已标记样本极其稀缺或位置存在误导时所产生的影响,对已标记样本集进行扩充,提出一种新的标记扩充的MR框架(Label-expanded Manifold Regularization for semi-supervised classification,LE_MR)。在LE_MR中,先利用聚类方法,如KFCM,发现每类中的高可信度样本,此类样本通常处于聚类中心区域。再利用所获样本及其聚类标号扩充标记样本集,缓解标记样本缺乏的问题,以帮助提升MR的分类性能。在真实数据集上的实验结果表明:基于扩充的标记样本,LE_MR可有效提升MR框架的学习性能。其次,为保留平滑性的逐点特性并且减少样本对的误导,通过考虑单个样本而非样本对的光滑性提出一种新的逐点MR框架(Pointwise Manifold Regularization for semi-supervised learning,PW_MR)。在PW_MR中,通过考虑单个样本而非样本对,平滑性的逐点特性得以保留;同时,引入了单个样本的重要性,可由局部密度描述,以帮助提升MR的分类性能。在真实数据集上的实验结果表明:逐点MR可帮助提升MR框架的学习性能。
（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。
半监督流形学习论文参考文献
[1].李世宝,王升志,张鑫,陈海华,刘建航.基于全局流形结构的半监督学习室内定位算法[J].计算机与现代化.2019
[2].沈雅婷.面向半监督流形正则化分类学习的改进框架研究[D].南京邮电大学.2018
[3].徐金成,李晓东,刘辉.基于两阶段流形学习的半监督维数约简算法[J].计算机工程与设计.2018
[4].唐云霞.基于流形学习的室内WLAN半监督位置指纹数据库构建方法[D].重庆邮电大学.2018
[5].孟岩.基于自适应图的半监督流形正则化分类学习框架研究[D].南京邮电大学.2017
[6].李暑升.基于多视图半监督流形学习的左房壁瘤体积直接估算[D].厦门大学.2017
[7].张晓涛,唐力伟,王平,邓士杰.基于半监督PCA-LPP流形学习算法的故障降维辨识[J].中南大学学报(自然科学版).2016
[8].崔业勤,高建国.代价敏感的监督流形学习人脸识别方法[J].系统仿真学报.2016
[9].郝勇智.基于流形学习的半监督分类方法及其应用[D].中北大学.2016
[10].赵立杰,王海龙,陈斌.基于流形正则化半监督学习的污水处理操作工况识别方法[J].化工学报.2016