导读:本文包含了流形学习算法论文开题报告文献综述及选题提纲参考文献，主要关键词:流形学习,LLE,介绍,归纳
流形学习算法论文文献综述
王雄[1]（2019）在《浅谈流形学习中的LLE算法》一文中研究指出在机器学习领域中有一个重要的研究领域就是流形学习,而流形学习中最为重要的算法之一就是局部线性嵌入算法(LLE),这种算法是一种非线性降维,具有很好的泛化性,在图像分类和目标识别等方面被广泛地应用。主要介绍了流形学习的基本思想,典型的LLE算法,同时归纳了几种现有的LLE改进算法,使得我们能够更好地去理解流形学习和LLE算法。(本文来源于《安徽电子信息职业技术学院学报》期刊2019年04期）
刘开南,冯新扬,邵超[2]（2019）在《一种面向图像分类的流形学习降维算法》一文中研究指出数据挖掘中的流形学习降维算法可以应用于图像分类等领域。提出一种面向图像分类的流形学习降维算法Mod-LLE(Modified Locally Linear Embedding)。该算法是针对高维数据的局部线性嵌入降维算法的改进,其整合了图像识别信息来更好地改善优化效果,达到在处理过程中保证原始数据固有的拓扑组成结构。以标准数据集作为案例进行测试。图像分类功能测试与降维性能测试结果表明:该算法对于人脸图像的分类精度比较高,降维性能良好。(本文来源于《计算机应用与软件》期刊2019年08期）
李世宝,王升志,张鑫,陈海华,刘建航[3]（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）
江志农,赵南洋,夏敏,赵飞松,高佳丽[4]（2019）在《一种基于流形学习和KNN算法的柴油机工况识别方法》一文中研究指出不同负荷状态下的柴油机振动、温度、转速等信号显着不同,而机组故障信号特征往往被淹没在随负荷变化而剧烈变化的信号中,因此变负荷状态下的柴油机故障监测诊断难度较大,一直困扰着柴油机的实际故障诊断工作。提出一种基于流形学习和KNN算法的柴油机工况识别方法,为柴油机变负荷工况下故障监测预警打下基础。方法融合机组的多源信号特征构建特征向量,通过流形学习t-分布邻域嵌入算法(t-SNE)实现特征向量的维数约简和敏感特征提取,采用K最近邻分类算法(KNN)完成柴油机运行负荷状态的自动分类。正常及故障状态下多组柴油机监测数据的处理结果验证了方法的有效性和实用性。(本文来源于《噪声与振动控制》期刊2019年03期）
何俊林,李忠玉,张杰,杨晓玲[5]（2019）在《基于小波-流形学习算法的交通流状态模型研究》一文中研究指出为了有效刻画交通流状态变化情况,基于小波变换和流形学习算法建立了一种交通流状态模型。该模型首先给出了交通流状态计算指标,其次根据流形学习中的局部线性嵌入方式来分析流量特征,并结合小波变换来降低其突发性。最后选择成都快速通道作为统计对象,深入研究了影响该模型的关键因素,结果表明该模型能够有效刻画实际交通流状态变化,具有较好的适应性。(本文来源于《成都师范学院学报》期刊2019年05期）
冯重锴[6]（2019）在《基于稀疏表示的参数自适应选择流形学习算法研究》一文中研究指出流形学习是当前机器学习的热门领域,它是非线性降维的代表之一。流形学习算法在对非线性数据集进行降维处理和特征提取时效果突出,但是也有一些缺陷。例如,大多数流形学习算法都有一个繁琐的调整参数的过程。这是因为大多数流形学习算法是通过描述样本点的局部性来进行降维处理的,这就不可避免地需要手动选取控制邻域大小的参数。为了解决这个问题,本文提出了两种基于稀疏表示的参数自适应选择流形学习算法。本文的主要工作包括以下两个方面:(1)提出了一种基于组稀疏的参数自适应选择判别投影算法。使用组稀疏来描述样本点的几何结构,自适应地构造样本点的近邻图,避免了传统流形学习算法中需要手动调整参数的弊端。同时,提出局部稀疏散度和非局部稀疏散度,将稀疏表示和局部性理论统一到一个数学模型当中,增加了算法的分类性能。(2)提出了有监督的参数自适应选择判别投影算法。在原算法基础之上,利用样本的类别信息,提出了能更准确描述样本点几何结构的有监督稀疏框架,限制了伪近邻点的干扰。并且在算法中加入了全局类内和类间约束,进一步提高了算法的判别能力。在几个常用的人脸数据集上的结果表明,本文提出的基于组稀疏的参数自适应选择判别投影算法在人脸识别任务中的准确率优于一些先进算法。而且,有监督的参数自适应选择判别投影算法的分类准确率得到了进一步的提升。(本文来源于《武汉科技大学》期刊2019-05-01）
王利龙[7]（2019）在《融合改进流形学习和深度神经网络的人脸识别算法研究》一文中研究指出作为现代信息安全领域不可或缺的身份查验技术,人脸识别(Face Recognition,FR)依赖面部差异这一生物特征已然成为最受欢迎的目标识别技术之一,并在监控安防、人证比对等领域得到了更为广泛的应用。随着深度学习(Deep Learning)的发展,人脸识别性能实现了“质”的飞跃。然而,受样本数量、光照等条件的影响,深度神经网络(Deep Neural Networks)算法并不能很好的处理小样本问题。基于人脸符合高维流形这一特征,采用流形学习(Manifold Learning)算法能在降维过程中更好的保留人脸有用信息。考虑到两算法优势,提出了融合改进流形学习和深度神经网络的算法思想。所做主要工作如下:首先,研究二维局部保持投影(Two Dimensional Locality Preserving Projection,2DLPP)算法,该线性降维算法虽能很好的保留人脸这一高维特征的局部流形结构,但缺乏类别信息考量。针对该缺陷,提出了改进双向二维局部保持投影的人脸识别算法,该方法引入类别权重,将类内差异最小化、同时类间差异最大化,并借鉴双向线性降维特征提取的算法思想,分别在行方向、列方向融合二维主成分分析、二维线性鉴别分析算法,更大程度地提取人脸图像的有用信息,很好的解决了维数灾难和小样本问题。其次,分析现有Gabor特征对人脸图像表达的良好性能,其多通道特征很好的提升了识别率,但多通道人脸表征在进行分类时会造成较大的计算量,针对多通道GaborFace表征的算法缺陷,提出了融合MGFR和改进双向人脸特征降维的人脸识别算法,该算法从尺度、方向上选取最优的通道组合方式构造新Gabor人脸表征,并作为改进双向二维特征降维算法的输入,从而最大程度的获取小样本数据集上的有用特征信息,来提升算法的有效性。最后,介绍了用于分类的BP神经网络和RBF神经网络,以及引入线性降维的PCANet和2DPCANet模型,针对当前神经网络在图像分类和特征提取上的普遍应用,探讨了特征降维与神经网络相结合的算法,将降维过程提取到的特征作为神经网络的输入,利用经典的BP神经网络和RBF神经网络进行分类,以得到更高的分类精度。(本文来源于《西南科技大学》期刊2019-05-01）
娄雪[8]（2019）在《基于流形学习的分类算法与应用研究》一文中研究指出流形学习(Manifold Learning,ML)是模式识别的手段之一,在图像处理、人工智能、自然语言处理等方面有着广阔的发展前景和应用价值.机器学习中的大多真实数据之间一般都具有非线性特征,我们可以通过流形学习方法对数据进行降维和局部特征提取来实现数据可视化或数据约简.流形学习旨在将高维空间数据样本低维嵌入到流形子空间,并保留原样本集的几何流形结构,最终找到数据样本内部的流形规律.降维是流形思想最重要的技术体现,人们对基于流形学习的降维算法已经取得了一些研究成果,如拉普拉斯特征映射(Laplacian Eigenmap,LE),局部线性嵌入(Locally Linear Embedding,LLE)、等距映射(Isometric mapping,Isomap)和邻域保持嵌入(Neighborhood Preserving Embedding,NPE)等降维算法.在模式识别技术中,基于流形学习的降维算法已经被广泛应用到人脸识别和语音识别技术.人脸图像和语音数据具有空间维数高、稀疏性强、分布不均匀等特征.为了有效的提高人脸识别的识别性能,我们基于流形学习的思想,研究了相关降维技术,提出了一种改进的邻域保持嵌入算法.该算法强调了数据内部的判别信息,通过极大化类间离散度和极小化类内离散度使降维后的数据样本具有最佳的分离效果,进而有效地挖掘、提取及保留了数据样本的局部流形的拓扑结构.同时我们研究了极端学习机的分类技术方法,对不同算法进行分类实验。实验结果证明所提出算法相较于传统算法有较高的识别性能和分类精度。(本文来源于《辽宁师范大学》期刊2019-03-01）
李建新[9]（2019）在《基于增强多流形学习的监控视频追踪算法》一文中研究指出提出了一种多流形局部线性嵌入的流形学习算法,为每个类的流形学习过程设计了一种监督的近邻点选择方法,将流形-流形距离作为度量指标,搜索最优的低维空间.在视频追踪算法中对外部数据库进行图像训练预处理,为人脸检测建立级联分类器,利用均值粒子滤波器结合跟踪校正策略对人脸图像实时跟踪,采用多流形训练的结果从视频流的人脸集中检测出追踪的目标人脸.仿真实验结果表明本算法对不同的数据集均获得了较高的检测率与较高的计算效率.(本文来源于《西南师范大学学报(自然科学版)》期刊2019年01期）
王锐,吴小俊[10]（2018）在《基于切空间判别学习的流形降维算法》一文中研究指出在基于图像集的流形降维问题中,许多算法的核心思想都是把一个高维的流形直接降到一个维数相对较低、同时具有的判别信息更加充分的流形上.投影度量学习(projection metric learning,简称PML)是一种Grassmann流形降维算法.该算法是基于投影度量,并且使用RCG(Riemannian conjugate gradient)算法优化目标函数,其在多个数据集上都取得了较好的实验结果,但是对于复杂的人脸数据集,如YTC其实验结果相对较差,只取得了66.69%的正确率.同时,RCG算法的时间效率较差.基于上述原因,提出了基于切空间判别学习的流形降维算法.该算法首先对于PML中的投影矩阵添加扰动,使其成为对称正定(symmetric positive definite,简称SPD)矩阵;然后,使用LEM(log-euclidean metric)将其映射到切空间中;最后,利用基于特征值分解的迭代优化算法构造判别函数,得到变换矩阵.对提算法在多个标准数据集上进行了实验验证,并取得了较好的实验结果,从而验证了该算法的有效性.(本文来源于《软件学报》期刊2018年12期）
流形学习算法论文开题报告
（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：
数据挖掘中的流形学习降维算法可以应用于图像分类等领域。提出一种面向图像分类的流形学习降维算法Mod-LLE(Modified Locally Linear Embedding)。该算法是针对高维数据的局部线性嵌入降维算法的改进,其整合了图像识别信息来更好地改善优化效果,达到在处理过程中保证原始数据固有的拓扑组成结构。以标准数据集作为案例进行测试。图像分类功能测试与降维性能测试结果表明:该算法对于人脸图像的分类精度比较高,降维性能良好。
（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。
流形学习算法论文参考文献
[1].王雄.浅谈流形学习中的LLE算法[J].安徽电子信息职业技术学院学报.2019
[2].刘开南,冯新扬,邵超.一种面向图像分类的流形学习降维算法[J].计算机应用与软件.2019
[3].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
[4].江志农,赵南洋,夏敏,赵飞松,高佳丽.一种基于流形学习和KNN算法的柴油机工况识别方法[J].噪声与振动控制.2019
[5].何俊林,李忠玉,张杰,杨晓玲.基于小波-流形学习算法的交通流状态模型研究[J].成都师范学院学报.2019
[6].冯重锴.基于稀疏表示的参数自适应选择流形学习算法研究[D].武汉科技大学.2019
[7].王利龙.融合改进流形学习和深度神经网络的人脸识别算法研究[D].西南科技大学.2019
[8].娄雪.基于流形学习的分类算法与应用研究[D].辽宁师范大学.2019
[9].李建新.基于增强多流形学习的监控视频追踪算法[J].西南师范大学学报(自然科学版).2019
[10].王锐,吴小俊.基于切空间判别学习的流形降维算法[J].软件学报.2018