导读:本文包含了流形距离论文开题报告文献综述及选题提纲参考文献，主要关键词:局部权重矩阵,仿射弧,领域适应,最大均值差
流形距离论文文献综述
郑萍萍[1]（2018）在《基于仿射弧多流形距离度量的人脸识别方法研究》一文中研究指出人脸图像传达了许多重要的身份信息。在计算机模式识别中,人脸识别是一个具有挑战性的研究课题。本文将局部权重矩阵和领域适应方法分别与基于仿射弧的多流形距离度量方法相结合,提出两种人脸识别方法,并分别应用于人脸图像识别。在标准人脸数据集上的实验证明,本文的两种方法都能获得较好的识别效果。本文的主要工作如下:(1)提出一种基于局部邻域多流形度量的人脸识别方法。针对人脸识别的小样本问题,用特征脸对人脸图像预处理。对预处理后的人脸数据集中每个流形内的数据点采用欧氏距离来选择各数据点的近邻点,由此得到局部权重矩阵,并计算重构数据点与原始数据点之间的误差距离;同时,采用图像集建模流形,用仿射弧表示流形对应的数据集信息,计算多流形间的距离度量矩阵。通过最大化流形间距离,最小化数据点与重构数据点误差距离来寻找投影降维矩阵。(2)提出一种基于领域适应和流形距离度量学习的人脸识别方法。该方法旨在构造一个投影空间,尽可能保持原始数据的主要信息,以减少干扰因素对数据的影响。为构造的度量模型寻找一个投影空间,使用最大均值差法减少训练集和测试集之间的差异,并利用仿射弧来度量流形之间的距离,使得最大均值差最小,流形间距离最大。(3)将原始数据投影到投影空间后,利用KNN分类器确定未知人脸的类别。本文的研究一方面能提高人脸图像的识别率;另一方面也是将领域适应与流形学习运用于人脸图像识别的进一步探索。(本文来源于《武汉科技大学》期刊2018-05-01）
夏春梦[2]（2017）在《基于密度调整和流形距离的近邻传播算法及其应用研究》一文中研究指出随着存储成本的降低,海量数据不断涌现,大型数据库越来越多,数据挖掘技术备受众多领域的关注。聚类技术作为数据挖掘的主要任务之一,在没有先验信息的情况下,从海量数据中挖掘出潜在的价值信息,为企业和政府决策提供了有效的依据。近邻传播聚类算法(Affinity Propagation,AP)作为无监督学习领域极具竞争力的聚类分析技术,已经被广泛应用到很多领域。尽管如此,AP算法还有许多不足之处,本文针对AP算法在构造相似度矩阵时对复杂结构数据敏感因而聚类效果不理想的缺陷,提出一种基于密度调整和流形距离的近邻传播算法。该算法将“领域密度”和“流形理论”的思想引入近邻传播算法,利用基于密度调整和流形的距离更好地刻画了样本空间的真实分布状况,解决了相似度矩阵不能充分表示数据之间内在关系的问题,在一定程度上提高了近邻传播聚类算法的聚类效果。本文通过在人工数据集和标准数据集上进行实验对比,验证了算法的有效性和优越性。除此之外,本文构建了一个农业干旱等级评价模型,将改进后的近邻传播算法结合半监督学习思想构建一个分类模型。在对研究对象进行分析后选择9个农业干旱等级评价指标,选择皖北地区农业干旱数据作为样本,通过与BP神经网络模型对比证明了本文模型在一定程度上提高了农业干旱等级评价的准确率。(本文来源于《合肥工业大学》期刊2017-04-01）
孙羊子[3]（2016）在《基于流形距离的聚类算法研究及其在极光分类中的应用》一文中研究指出人类认识和探索事物间内在的有效手段和主要方法之一就是聚类分析。与基于监督学习的分类方法不同,聚类分析不需要已知的训练集合,在没有任何先验知识的情况下来对数据集进行划分,根据的只是特征向量之间的相似性。而本文中所用的谱聚类算法近些年来得到了很多领域研究学者的关注,是一种新型的聚类分析算法。谱聚类算法有它自己独特的优势,不仅能够对任意的非规则形状的样本空间进行聚类,而且能获得全局最优解,所以更有利于在实际中解决问题。谱聚类算法的思路流程如下：首先要建立样本的相似连接图,由相似性度量构造样本数据集的相似度矩阵W,其次要构造并计算规范化拉普拉斯矩阵L,计算L的前k个最大特征值和特征向量,之后再去选择矩阵L的一个或多个特征向量,利用K-means或其他算法对不同的数据集进行聚类。本论文以聚类算法的相似性度量作为切入点,对传统的相似性测度方法进行改进,将传统谱聚类算法(NJW-SC)中的基于欧氏距离的相似性测度换为基于流形距离的相似性测度,在此基础上对样本对象集进行聚类。之后将新提出来的算法同K均值聚类算法、传统谱聚类算法、模糊C均值聚类算法在人工数据集上进行实验对比,得出新的算法在非凸形状的数据集和在全局一致性上取得了较好的效果。在UCI数据集上用人工评价指标F-measure对聚类质量进行评价,发现其也优于其他方法。在通过实验数据验证后,我将谱聚类算法应用在实际的数据中,看其是否能取得良好的效果。查阅资料,最终选取了极光图片,通过对极光图像的聚类验证了谱聚类算法在极光图像的聚类中也有很好的应用。本次论文的主要工作包括以下几个方面：1、现有聚类算法的分类,以及每一种分类的主要思想和每一种分类下常用的算法。2、介绍了包括聚类定义、聚类准则、聚类过程等聚类算法基本概念,阐述了常用的聚类算法,例如K-means聚类算法(KM)、模糊C均值算法(FCM)、近邻传播聚类算法(AP)以及谱聚类算法(SC)。3、着重介绍了谱聚类算法中的图论基础、谱图的划分准则以及根据谱图划分准则将谱聚类算法分成的类。4.在传统谱聚类算法(NJW-SC)的基础上,将基于欧氏距离的相似度度量换为基于流形距离的相似性度量,提出自己的新的聚类算法,在不同的数据集上进行聚类并同其他算法进行比较实验验证。5.将基于流形距离的谱聚类算法用在极光图像聚类的实际问题中,得出我所提出的算法在此实际问题中聚类结果优于其他算法。6.总结整个论文,提出在实验过程中遇到的问题以及今后的工作方向。(本文来源于《陕西师范大学》期刊2016-05-01）
欧慧[4]（2016）在《基于流形距离和蜂群的聚类算法研究》一文中研究指出现在的我们生活在数据时代,数据已经处在我们身边的每一处,且以爆炸式的的方式在增长,甚至已无法计算,那么如何从这么多数据中获取我们所需要的潜在有用得到知识,来帮住人们做出准确的判断,此时我们就有必要来挖掘这些数据。在数据挖掘中,比较重要的一种数据分析方式是聚类算法,其在研究领域十分受到研究者的青睐,但还是存在一些缺陷,这就需要更进一步的改进算法来弥补这些不足,且对解决社会实践中遇到的难点也具有非比寻常的价值。本文主要以传统聚类算法中的相似度测度为基础,探讨了以欧氏距离作为相似度测度对一些特殊数据集聚类时的不足,主要讨论了现已提出的基于流形距离为相似度测度对特殊数据集聚类的优势,当然也存在缺陷,在这里就更进一步研究了粗糙集、蜂群算法等的实质,并在此基础上作改进然后与改进的流形距离相结合,以改善原来算法的性能。主要工作如下:(1)针对K-means算法的初始聚类中心随机选取,将流形距离作为相似度测度时其参数在表现数据集的全局一致性方面有缺陷等问题,本文引入粒计算理论中的知识,对数据集的属性进行划分,随后根据最大最小距离的方法选取代表点;然后再利用流形距离及准则函数得到最佳的初始中心并得到最终聚类结果。实验结果表明:该算法在运行时间上减少了并在数据的全局一致性上得到了很好的体现。(2)现在提出的以流形距离为相似度测度的聚类算法主要是针对具有“绝对流形”分布特点的数据集聚类,没有考虑到这种分布为“相对流形”的数据集,于是本文根据粗糙集的特点,首先对数据集的属性进行划分然后根据最大最小距离来选择聚类中心,再在粗糙集中,用流形距离代替欧式距离对数据集进行聚类。实验结果表明:该算法对“相对流形”数据集具有较大的改善。(3)为改进原有的基于流形距离的聚类算法性能,本文将改进的流形距离作为相似度测度,并结合人工蜂群算法,对数据集进行二阶段聚类。算法首先由局部密度、近邻选择等对数据集粗归类,然后通过改进的蜂群算法对数据集精归类。实验结果表明:数据集聚类效果得到很大的提升。(本文来源于《长沙理工大学》期刊2016-04-01）
夏卓群,欧慧,李平,武志伟,戴傲[5]（2016）在《基于改进流形距离和人工蜂群的二阶段聚类算法》一文中研究指出以改进的流形距离为相似度测度,结合人工蜂群算法,提出一种二阶段聚类算法.首先根据局部密度、最大最小距离和近邻选择对数据集初步归类并得到簇代表点;然后将聚类归属为优化问题,通过改进的蜂群算法对簇代表点及没归类的样本点较快地搜索到最优聚类中心,同时根据流形距离的全局一致性特征,对样本进行精确的类别划分;最后将两阶段算法综合归类.实验结果表明,所提出的算法可以获得良好的聚类效果.(本文来源于《控制与决策》期刊2016年03期）
邵超,张啸剑[6]（2015）在《基于通勤时间距离的流形聚类与可视化》一文中研究指出现有流形学习算法能比较好地学习和可视化高维数据的低维非线性流形结构,但对难以高效选取的邻域大小参数还比较敏感,且要求数据良好采样于单一流形.为了降低流形学习算法对邻域大小参数的敏感程度,并实现对多流形数据的良好聚类与可视化,提出了1种新的基于通勤时间距离的流形学习算法——CTD-ISOMAP(commute time distance isometric mapping).和欧氏距离相比,通勤时间距离以概率的形式综合考虑了邻域图上2点间的所有连接路径,不但更加鲁棒,而且还能表达数据的内在几何结构.因此,CTD-ISOMAP算法采用通勤时间距离能比较好地识别并删除邻域图中可能存在的"短路"边以及不同流形之间的连接边,从而能在更大的邻域大小参数范围内实现对流形数据的良好可视化,并提高对多流形数据的聚类效果.最后的实验结果证实了该算法的有效性.(本文来源于《计算机研究与发展》期刊2015年08期）
陈居现,杨磊,唐晓燕[7]（2015）在《基于图像欧氏距离流形降维的端元提取算法》一文中研究指出由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高针对高光谱图像的非线性结构.本文提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法该方法结合高光谱数据的物理特性,将图像欧氏距离引入局部切空间排列进行非线性降维以更好的去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元.真实高光谱数据实验表明,提出方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成分分析算法和原始的局部切空间排列算法.(本文来源于《河南师范大学学报(自然科学版)》期刊2015年04期）
李明,宋佩[8]（2015）在《欧氏空间中线性子流形间的距离公式》一文中研究指出应用多元函数条件极值的Lagrange乘数法,探讨了n维欧氏空间中线性子流形的距离问题,给出了线性流形距离公式的证明.(本文来源于《高等数学研究》期刊2015年04期）
欧慧,夏卓群,武志伟[9]（2016）在《基于改进流形距离的粗糙集k-means聚类算法》一文中研究指出针对现有的基于流形距离的聚类算法对"绝对流形"数据集较"相对流形"数据集聚类效果佳和参数ρ在较大范围内变化时,聚类性能较差等问题,提出基于改进流形距离的粗糙集k-means聚类算法。该算法通过用属性划分和最大最小距离选择初始聚类中心,以改进的流形距离和粗糙集优化k-means,并结合终止判断条件以达到解决边界数据聚类问题和提升聚类效果的目的。仿真结果表明:该算法对"绝对流形"和"相对流形"数据集聚类效果均有较好改善,且参数变化对聚类性能影响较大。(本文来源于《计算机工程与应用》期刊2016年14期）
邓晓政,焦李成[10]（2014）在《流形距离的自动免疫克隆聚类图像分割算法》一文中研究指出聚类算法在对图像进行分割的过程中要面对如何自动确定聚类类别数、如何克服图像特征点分布复杂的流形结构、如何减少算法的运行时间。针对这些问题,提出了流形距离的自动免疫克隆聚类图像分割算法。自动免疫克隆聚类算法可以自动确定聚类个数,不需要人为事先给定,并且确保全局收敛;使用流形距离可以反映空间分布复杂的流形数据;使用超像素而非像素来降低图像分割的时间等问题。通过对4组人工数据集和4幅自然图像进行实验,对比k-means算法、GCUK算法,结果表明该方法优势比较明显,具有一定的实用性和先进性。(本文来源于《电子科技大学学报》期刊2014年05期）
流形距离论文开题报告
（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：
随着存储成本的降低,海量数据不断涌现,大型数据库越来越多,数据挖掘技术备受众多领域的关注。聚类技术作为数据挖掘的主要任务之一,在没有先验信息的情况下,从海量数据中挖掘出潜在的价值信息,为企业和政府决策提供了有效的依据。近邻传播聚类算法(Affinity Propagation,AP)作为无监督学习领域极具竞争力的聚类分析技术,已经被广泛应用到很多领域。尽管如此,AP算法还有许多不足之处,本文针对AP算法在构造相似度矩阵时对复杂结构数据敏感因而聚类效果不理想的缺陷,提出一种基于密度调整和流形距离的近邻传播算法。该算法将“领域密度”和“流形理论”的思想引入近邻传播算法,利用基于密度调整和流形的距离更好地刻画了样本空间的真实分布状况,解决了相似度矩阵不能充分表示数据之间内在关系的问题,在一定程度上提高了近邻传播聚类算法的聚类效果。本文通过在人工数据集和标准数据集上进行实验对比,验证了算法的有效性和优越性。除此之外,本文构建了一个农业干旱等级评价模型,将改进后的近邻传播算法结合半监督学习思想构建一个分类模型。在对研究对象进行分析后选择9个农业干旱等级评价指标,选择皖北地区农业干旱数据作为样本,通过与BP神经网络模型对比证明了本文模型在一定程度上提高了农业干旱等级评价的准确率。
（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。
流形距离论文参考文献
[1].郑萍萍.基于仿射弧多流形距离度量的人脸识别方法研究[D].武汉科技大学.2018
[2].夏春梦.基于密度调整和流形距离的近邻传播算法及其应用研究[D].合肥工业大学.2017
[3].孙羊子.基于流形距离的聚类算法研究及其在极光分类中的应用[D].陕西师范大学.2016
[4].欧慧.基于流形距离和蜂群的聚类算法研究[D].长沙理工大学.2016
[5].夏卓群,欧慧,李平,武志伟,戴傲.基于改进流形距离和人工蜂群的二阶段聚类算法[J].控制与决策.2016
[6].邵超,张啸剑.基于通勤时间距离的流形聚类与可视化[J].计算机研究与发展.2015
[7].陈居现,杨磊,唐晓燕.基于图像欧氏距离流形降维的端元提取算法[J].河南师范大学学报(自然科学版).2015
[8].李明,宋佩.欧氏空间中线性子流形间的距离公式[J].高等数学研究.2015
[9].欧慧,夏卓群,武志伟.基于改进流形距离的粗糙集k-means聚类算法[J].计算机工程与应用.2016
[10].邓晓政,焦李成.流形距离的自动免疫克隆聚类图像分割算法[J].电子科技大学学报.2014