监督降维算法论文-王颖

监督降维算法论文-王颖

导读:本文包含了监督降维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:随机Fourier,有监督,特征变换,降维算法

监督降维算法论文文献综述

王颖[1](2019)在《基于随机Fourier有监督特征变换降维算法的人脸检测方法》一文中研究指出针对传统人脸检测方法采用空间向量对复杂环境下的高维度人脸特征进行辨识时,存在检测效率低、检测精度差的问题,提出一种基于随机Fourier有监督特征变换降维算法的人脸检测方法.首先,通过随机Fourier映射随机形成大规模多维候选集合,采用特征选择算法获取特征集内的最佳子集;其次,基于l_(2,1)范数的极限学习机,产生高斯核拟合效果的随机映射,利用l_(2,1)正规则化过滤掉人脸随机特征中的无价值及冗余特征,并对该过程进行优化,提高人脸特征降维的精度;最后,采用基于降维特征与Adaboost算法的人脸检测方法获取的降维特征,通过Boosted级联算法获取级联分类器,实现人脸特征的准确检测.实验结果表明,该方法的漏检率和误检率均为8%,平均检测时间为118ms,运行效率和检测精度均较高.(本文来源于《吉林大学学报(理学版)》期刊2019年03期)

刘婷[2](2019)在《基于半监督降维的电影混合推荐算法研究及实现》一文中研究指出随着互联网行业的蓬勃发展和大数据时代的到来,当代电影行业信息爆炸式增长。一方面,信息提供给人们的娱乐选择令人眼花缭乱,传统电影网站大多使用推荐热门电影的方式,这种推荐方式无法满足用户个性化需求。因此,如何基于数据进行有效分析,进而针对用户个性化娱乐需求实现有效推荐,成为了当代文娱产业创造商业化价值的关键。另一方面,面对复杂高维的数据信息,推荐系统势必要付出极大的存储与处理代价。因此,如何在保持电影推荐精度、满足用户个性化兴趣需求的前提下,有效进行数据降维,以缩减推荐成本,成为了推荐系统的关键性课题。基于此,本文针对半监督降维的电影混合推荐进行了研究与实现,具体研究内容如下:(1)针对提升推荐精度以满足用户个性化娱乐需求,本论文提出了使用“基于负反馈与时间惩罚项的双向分类过滤推荐”的改进算法,利用热门电影的负反馈,挖掘隐含潜在信息,丰富可利用的数据集合,同时引入时间惩罚项,根据时间变化对兴趣的影响有效调整用户偏好权重。最后,聚类用户偏好矩阵与电影项目特征矩阵,双向聚类后过滤结果。经实验证明,本论文提出的“基于负反馈与时间惩罚项的双向分类过滤推荐”改进算法能够有效提升推荐精度、满足用户个性化需求。(2)针对电影推荐系统中高维数据的处理成本问题,本论文提出了使用“基于半监督推斥与结构距离测度的局部线性嵌入降维”改进算法,通过半监督的方式,有效利用标签信息,对近邻集合实施推斥。并针对欧式距离的局限性,提出了欧式距离与测地距离综合度量方式,成功提升了降维效果。经实验证明,本论文提出的“基于半监督推斥与结构距离测度的局部线性嵌入降维”改进算法能够在保持推荐精度的基础上,有效节省推荐处理成本。(3)针对电影推荐系统进行了实践,着眼于推荐系统的四项重要功能:用户身份鉴别功能、用户与电影信息完整获取功能、解决冷启动,新用户兴趣判定功能、电影推荐功能,针对以上四项重要功能,成功对电影推荐系统进行了设计与实现。未来的后续研究将会把推荐结果多样性问题纳入考虑之中,以提升用户惊喜度,全面优化推荐系统。(本文来源于《北京邮电大学》期刊2019-05-22)

汪思琪[3](2019)在《基于自适应图的半监督降维算法研究》一文中研究指出在科学技术的带动下,人们获取信息、存储信息的方式都有了很大的发展,因此在很多领域中不可避免地出现了大量的高维数据。虽然高维数据中存在大量的信息,但并不是所有的信息都是有价值的,直接对其进行处理会带来诸多问题,主要体现在:计算比较复杂,需要更大的存储空间,识别精度不高等方面。数据降维是将高维数据映射到一个保持数据本身固有结构的低维子空间,能有效地解决上述问题,受到了研究者们的广泛关注。在现实应用中,获取足够多的标记样本是非常昂贵和困难的,相比较而言大量的无标记数据极易获取,在没有过多标签数据的情况下如若使用监督降维方法,可能导致模型产生过拟合;另一方面,如果使用无监督的方法,则忽略了有标记样本的价值。因此,半监督的降维方法得到了广泛的研究与应用。其中,基于图的半监督降维方法具有简单,容易理解等优势,获得了更多的关注。传统的基于图的降维方法需要预先定义一个图结构,后续的降维过程依赖于预先定义的图结构,也就是说降维过程与图结构的学习是分离开的,所以说学习到的图结构可能不是最优的图,从而导致最后的结果不理想。本文主要针对传统的基于图的半监督降维算法中存在的这个问题,做了相应的研究与改进。本文主要工作如下:(1)基于自适应结构化最优图的算法是利用有标记数据的类别信息,直观的为每一个已知标签的样本寻找近邻点,挖掘数据的局部结构信息,以防止噪声或者离群值点的影响;然后根据所有的训练数据去构造一个表示样本间结构信息的正则化项将监督的方法扩展到半监督领域,在这里,我们针对整个样本集合,采用自适应邻域学习的方法,对样本的近邻进行自适应的调整:同时我们希望学习到的图结构是稀疏的并且具有清晰的结构,即图中连接的组件数量恰好是数据样本的类别数,这种结构化图对于许多任务来说都是有益的,因为它包含了更为准确的数据信息,所以将结构约束加入到图结构中。在合成以及真实数据集上的实验结果验证了本文算法的性能。(2)在正交最小二乘判别分析的基础上提出了一种新的的自适应半监督降维方法,称为自适应弹性判别分析。该方法通过使同一类的数据点靠近该类的样本中心点来获取更大的类间判别分析,除此之外,我们依旧延续上一个方法中的自适应邻域思想来学习图结构,但是通常情况下,在使用自适应邻域来学习图结构的过程中,我们是采用线性投影来表示原始的训练样本和低维表示之间的关系,这对处理非线性数据来说,会存在一些不足,因此通过加入一个正则化项,可以放松线性投影约束,估计最接近线性嵌入的非线性流形,该方法在求出非线性嵌入的同时,又估计了一个能够直接作用于新样本的线性投影。最后,我们通过实验验证了在自适应邻域学习的基础上引入弹性嵌入思想的有效性。(本文来源于《安徽大学》期刊2019-03-01)

赵晓伟[4](2018)在《基于邻接图学习的二维非监督型降维算法研究》一文中研究指出高维数据降维问题一直是计算机视觉、图像内容检索和模式识别等领域的一个关键课题。近年来,针对无标签图像数据而提出的二维维度下降算法取得了重大的进展。其中,在二维非监督型维度下降算法中,相似性矩阵通常被用来揭示数据的潜在几何结构,对算法性能有重要影响。目前大部分算法的做法是首先学习一个相似性矩阵,在得到的相似矩阵的基础上再进行维度下降。然而由于样本中噪声的影响,这些算法很难得到最优的相似性矩阵,导致算法性能会下降。为此,我们提出了一种针对二维图像数据的非监督型降维算法:基于自适应结构学习的二维非监督型降维算法(DRASL)。不同于以往的算法,我们提出的DRASL算法把相似性矩阵的学习包含到了降维过程中。为了在降维之后得到理想的样本邻居分配,我们在DRASL模型中添加了约束项。我们把维度下降,相似性矩阵的学习和自适应的邻居分配策略融合到一个统一的目标函数中,使得在最终得到的子空间中只有较少的相关联的成分。另一方面,考虑到如果只关注数据的局部结构可能会导致最终的聚类结果出现过拟合现象,因此,本文基于DRASL提出了一种更加鲁棒的二维非监督型降维算法:基于邻接图嵌入的判别性二维非监督型降维算法(DUGE)。其基本思想是通过对数据的局部结构和全局结构的保护来进行降维,从而得到具有代表性的投影矩阵。为了求解上述DRASL和DUGE模型,我们分别提出了两种迭代算法。我们把DRASL和DUGE与常见的二维非监督型降维算法以及一维非监督型降维算法进行了聚类结果对比。Kmeans用于评价聚类性能。在Benchmark数据集上的实验结果表明了我们提出的DRASL和DUGE的优越性。(本文来源于《西北大学》期刊2018-06-01)

冯康[5](2018)在《面向可视化的视觉感知驱动的监督降维算法》一文中研究指出在对高维数据进行可视分析的时候,降维算法无疑扮演着重要的角色。降维算法能够将数据投影到对于人类而言认知起来更加容易的低维空间,这将更加方便用户对数据不同类之间的区分度和数据的空间分布进行探索。然而,现在被广泛应用的非监督的降维算法,如PCA,它的降维目标并不是尽可能最大化类间距。而有监督的降维算法如LDA,只适用于符合高斯分布的数据,并且没有将人类的认知考虑进去。这些问题导致了这些方法在处理复杂类结构数据的时候束手无策。为了填补这方面的空白,本文提出了一种以人类视觉感知驱动的线性降维算法,该方法旨在降维过程中,最大化符合人类视觉感知的数据的类间距。最近,基于感知的类间距度量方法在模拟人类视觉感知能力上取得较大突破。我们的方法正是基于这样的基础发展而来。我们将这些方法进一步改进,融入类密度信息,并结合到模拟退火算法中,求解出近似最优解。为了验证该方法的可靠性,高效性和扩展性。我们将该算法与现在最常用的几种降维算法在93个数据集上进行数值层面的理性比较和用户打分的感性比较,并对算法性能加以分析。同时,还将该算法扩展到类分布不均匀数据和无类标签数据上。最后还和星坐标(star coordinates)系统相结合,提供一系列的交互手段,方便用户对数据进行进一步的探索。(本文来源于《山东大学》期刊2018-04-20)

宋国娇[6](2016)在《高光谱图像降维及半监督分类算法研究》一文中研究指出当前,高光谱遥感为遥感领域的发展前沿。由于成像光谱仪不断地发展以及日渐成熟,高光谱遥感才得以快速地发展。随之而来的是,获得高光谱图像的水平也渐渐地提升。人们获得的高光谱图像包含数百个狭窄且连续的波段,为识别和分类地物提供了丰富和细微的光谱信息。高光谱图像已经广泛地应用于医学成像,地球监测,资源勘探,城市环境检测等。然而,高光谱的大的数据量、相当多的波段数目、波段之间的相当强的相关性等,这些自身的特点给其在识别与分类方面的信息提取技术造成了巨大的挑战。高光谱图像降维处理与分类技术的研究成为高光谱图像处理的关键问题,已经越来越受到科研工作者的关注与重视。本论文主要对高光谱图像的降维以及半监督分类技术进行研究。本论文总结了国内外学者的科研成果,针对高光谱图像的数据量大、波段数目众多以及各个波段之间相当强的相关性的特点,采用烟花算法,以类内紧性与类间分离性系数(Compactness-Separation Coefficient,CS系数)作为度量准则对高光谱数据进行降维。仿真实验表明,与遗传算法和禁忌搜索算法相比较,该算法在降维后的波段数、总体分类精度、Kappa系数和运行时间方面都取得了较好的效果。针对标准Tri-training算法在初始有标签样本数目较少时,分类器间缺乏明显的差异性,从而影响高光谱图像的分类精度这类问题,本论文改进了标准Tri-training算法,提出了增强差异性Tri-training算法的半监督分类。利用不同分类器之间性能的协同互补关系,将支持向量机、随机森林和最近邻分类器引入到标准Tri-training算法中。同时,采用基于标记类别的分层抽样来对无标签样本被标记过量情况进行处理,较好的保证了所抽取的样本子集具有代表性。由仿真得出,从总体分类精度、平均分类精度以及Kappa系数上看,本论文提出的算法优于标准Tri-training算法。(本文来源于《哈尔滨工程大学》期刊2016-12-01)

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)

蒋文,齐林[8](2015)在《一种基于指数降维的监督型稀疏保持典型相关分析算法》一文中研究指出提出一种基于指数降维的监督型稀疏保持典型相关分析算法.通过将样本的类别信息与样本特征相融合,克服以往引入监督信息导致重建误差增大的缺陷,同时实现类内相关的最大化与类间相关的最小化;针对传统算法处理稀疏信号的高维小样本问题的瓶颈,改进算法对总体散布矩阵做指数化的处理,既保留有效信息,又将总体散布矩阵非奇异化,克服PCA预处理散布矩阵导致有效信息流失的缺陷.依据ORL,Yale,AR和FERET人脸数据库而进行的仿真实验表明,该算法比其他的典型相关分析方法具有更好的识别效果.(本文来源于《郑州轻工业学院学报(自然科学版)》期刊2015年Z2期)

王彤,薛建新,谭文安[9](2015)在《利用半监督降维算法预测蛋白质亚细胞位置》一文中研究指出首先采用伪氨基酸组成(Pse AA)和特定位点记分矩阵(PSSM)2种方法组合的特征提取方法来表达蛋白质序列。通过该方法将蛋白质序列转化成特征向量,虽然该向量在很大程度上保留了蛋白质序列的原始信息,但是它产生的相应的维数会很高,这使得蛋白质亚细胞位置的预测过程变得很复杂。同时,就目前的情况来看,想要获取大量已标记的蛋白质亚细胞位置样本也很困难。为了解决这些问题,提出采用半监督降维算法(SS-MVP)对特征向量进行降维的同时能从标记和未标记的样本点中提取对分类有用的信息。基于降维后的样本利用支持向量机(SVM)的算法来预测蛋白质亚细胞位置类型。实验结果表明,采用上述方法既能简化蛋白质亚细胞位置的预测系统,又能提高其分类性能。(本文来源于《上海第二工业大学学报》期刊2015年03期)

周颂洋[10](2015)在《基于稀疏表示的高光谱遥感影像半监督降维算法研究》一文中研究指出高光谱遥感影像相比其他遥感数据提供了更加丰富的地球表面信息,在近20年得到了迅速的发展和大量应用。高光谱遥感影像波段多,数据量大,这给数据的处理带来了一定的困难,因此高光谱遥感影像常常要经过特征选择或特征提取等方法进行降维作为高光谱数据的预处理工作。本文从高光谱遥感影像处理技术中的特征提取出发,在深入研究稀疏表示降维方法的基础上提出一种基于稀疏表示的半监督降维算法并将其应用到高光谱遥感数据降维中。论文主要取得以下成果:(1)论文在分析高光谱遥感数据特征的基础上,围绕特征提取的降维算法详细阐述了稀疏表示理论,并引入小波去噪方法对稀疏表示分类器进行改进。通过试验表明结合小波去噪的方法能够有效的提高稀疏表示分类器的性能。(2)分析了基于非监督稀疏表示的降维方法SPGE和监督稀疏表示算法BSGDA,针对BSGDA运算效率低的特点,提出一种“构小图”的方法来构建稀疏相似矩阵进行监督稀疏表示降维算法。通过试验表明采用“构小图”的方法能够大大提高运算效率,为BSGDA的应用奠定了一定的基础。(3)结合半监督学习,利用小波去噪的稀疏分类器和最邻近正规化方法进行样本的增选,在BSGDA的基础上提出一种基于稀疏表示的半监督降维算法。试验表明在训练样本小的情况下,该方法较监督降维算法BSGDA和非监督算法LE能够取得更好的降维效果。(本文来源于《中国矿业大学》期刊2015-06-01)

监督降维算法论文开题报告

(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:

随着互联网行业的蓬勃发展和大数据时代的到来,当代电影行业信息爆炸式增长。一方面,信息提供给人们的娱乐选择令人眼花缭乱,传统电影网站大多使用推荐热门电影的方式,这种推荐方式无法满足用户个性化需求。因此,如何基于数据进行有效分析,进而针对用户个性化娱乐需求实现有效推荐,成为了当代文娱产业创造商业化价值的关键。另一方面,面对复杂高维的数据信息,推荐系统势必要付出极大的存储与处理代价。因此,如何在保持电影推荐精度、满足用户个性化兴趣需求的前提下,有效进行数据降维,以缩减推荐成本,成为了推荐系统的关键性课题。基于此,本文针对半监督降维的电影混合推荐进行了研究与实现,具体研究内容如下:(1)针对提升推荐精度以满足用户个性化娱乐需求,本论文提出了使用“基于负反馈与时间惩罚项的双向分类过滤推荐”的改进算法,利用热门电影的负反馈,挖掘隐含潜在信息,丰富可利用的数据集合,同时引入时间惩罚项,根据时间变化对兴趣的影响有效调整用户偏好权重。最后,聚类用户偏好矩阵与电影项目特征矩阵,双向聚类后过滤结果。经实验证明,本论文提出的“基于负反馈与时间惩罚项的双向分类过滤推荐”改进算法能够有效提升推荐精度、满足用户个性化需求。(2)针对电影推荐系统中高维数据的处理成本问题,本论文提出了使用“基于半监督推斥与结构距离测度的局部线性嵌入降维”改进算法,通过半监督的方式,有效利用标签信息,对近邻集合实施推斥。并针对欧式距离的局限性,提出了欧式距离与测地距离综合度量方式,成功提升了降维效果。经实验证明,本论文提出的“基于半监督推斥与结构距离测度的局部线性嵌入降维”改进算法能够在保持推荐精度的基础上,有效节省推荐处理成本。(3)针对电影推荐系统进行了实践,着眼于推荐系统的四项重要功能:用户身份鉴别功能、用户与电影信息完整获取功能、解决冷启动,新用户兴趣判定功能、电影推荐功能,针对以上四项重要功能,成功对电影推荐系统进行了设计与实现。未来的后续研究将会把推荐结果多样性问题纳入考虑之中,以提升用户惊喜度,全面优化推荐系统。

(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。

监督降维算法论文参考文献

[1].王颖.基于随机Fourier有监督特征变换降维算法的人脸检测方法[J].吉林大学学报(理学版).2019

[2].刘婷.基于半监督降维的电影混合推荐算法研究及实现[D].北京邮电大学.2019

[3].汪思琪.基于自适应图的半监督降维算法研究[D].安徽大学.2019

[4].赵晓伟.基于邻接图学习的二维非监督型降维算法研究[D].西北大学.2018

[5].冯康.面向可视化的视觉感知驱动的监督降维算法[D].山东大学.2018

[6].宋国娇.高光谱图像降维及半监督分类算法研究[D].哈尔滨工程大学.2016

[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].蒋文,齐林.一种基于指数降维的监督型稀疏保持典型相关分析算法[J].郑州轻工业学院学报(自然科学版).2015

[9].王彤,薛建新,谭文安.利用半监督降维算法预测蛋白质亚细胞位置[J].上海第二工业大学学报.2015

[10].周颂洋.基于稀疏表示的高光谱遥感影像半监督降维算法研究[D].中国矿业大学.2015

标签:;  ;  ;  ;  

监督降维算法论文-王颖
下载Doc文档

猜你喜欢