导读:本文包含了线性降维方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:不确定时间序列,描述统计模型,关键点,线性降维
线性降维方法论文文献综述
汤其婕,朱小萍[1]（2018）在《基于关键点的不确定时间序列线性降维方法》一文中研究指出与确定时间序列相比,不确定时间序列在每个时间点上的取值不是一个确定的值,而是一个可能值的集合,这种不确定给时间数据的降维处理带来了巨大的挑战。加之时间序列固有的数据规模大、数据维度高的特点,对不确定时间序列进行预处理必不可少,现有的针对确定时间序列的降维方法已经不再适用。为解决此问题,建立适当的数据描述统计模型,将原始不确定时间序列归约为叁条确定时间序列。同时,针对该模型,提出基于关键点的不确定时序数据线性降维算法。该算法综合考虑体现时序数据特征的极值点与转折点,在进行高效数据降维的同时避免了过度除噪的弊端。实验结果表明,该描述统计模型与基于关键点的线性降维算法的结合具有良好的降维效果,且对于不同领域的数据具有较好的普适性。(本文来源于《计算机技术与发展》期刊2018年08期）
巩知乐,张少龙,廖海斌[2]（2016）在《因子分析判别准则的线性降维方法研究》一文中研究指出提取稳定且具有判别性的低维特征是模式识别研究中的关键问题。在深入研究Fisher判别准则的基础上,从因子分析的实际角度考虑,提出基于因子分析的判别准则,解决Fisher判别准则类内和类间散布矩阵非最优定义问题。通过在合成数据集和真实人脸数据集上进行实验比较表明,该方法在解决数据集中的边缘类和人脸的表情、姿态变化等问题上比Fisher判别准则更优。(本文来源于《计算机工程与应用》期刊2016年03期）
王红军,左云波[3]（2014）在《基于局部线性降维拓扑空间的主轴故障诊断方法》一文中研究指出机床主轴故障的形成是一个长时间历程渐进性发展的过程,为了实现主轴系统的故障预警和智能维护,需要准确提取主轴早期故障的特征。主轴的早期故障信号特征微弱难以获取,为解决早期故障原始信号特征不具备良好可分性的困难,提出基于局部线性降维拓扑空间理论的主轴故障特征提取方法。该方法首先采集主轴系统的振动信号,然后对信号进行小波降噪处理并进行信号重构;用获取的重构信号构造轴心轨迹的高维流形拓扑空间,使用局部线性降维算法获得主轴系统的故障敏感特征。经过实验验证,该方法能准确地提取故障敏感特征,为判断主轴故障提供了依据。(本文来源于《北京信息科技大学学报(自然科学版)》期刊2014年02期）
卞春江,侯晴宇,赵晓,梁冰冰,李立源[4]（2014）在《特征空间线性降维压缩遥感图像云检测方法》一文中研究指出针对遥感图像云检测过程中分类特征空间维数过高引起的信息冗余,提出了一种基于特征空间线性降维压缩的云检测方法.首先选取云与地物的分类特征参量,构造特征空间,基于压缩子空间分类信息表述的完备性,建立样本的概率分布模型.然后利用最大似然估计法求解模型参数,估计最佳转换矩阵,进行特征空间的降维压缩与去相关处理.最后针对压缩子空间,利用分类器进行云检测.实验结果表明:本方法能够有效地去除云与地物分类特征之间的冗余,实现二维压缩子空间中云与地物两类样本的有效分离,对于实际光学遥感图像的云检测概率高达98%以上.(本文来源于《哈尔滨工业大学学报》期刊2014年01期）
蒲玲[5]（2013）在《自适应局部线性降维方法》一文中研究指出高维数据降维方法已经被广泛应用在信息检索、模式识别、数据挖掘和人工智能等领域。针对目前流形学习方法的嵌入效果非常敏感于局部邻域的选取方式,提出一种自适应邻域选择的局部线性降维方法。该方法评估真实数据的固有维数,判断每一数据点的局部切方向,以便自适应地选择每一数据点的邻域数,使得不同数据集与邻域选取方式之间存在很好的自适应性,实现更好的降维效果。在人工生成数据集和医学数据上的仿真结果表明,该方法起到了良好的降维效果。(本文来源于《计算机应用与软件》期刊2013年04期）
王彤,杨志珍,曹晓夏[6]（2013）在《基于线性降维方法的蛋白质四级结构类型预测》一文中研究指出提出一种新的能依据蛋白质序列自动地识别被查询蛋白质的四级结构类型的方法。首先采用伪特定位点记分矩阵方法(PsePSSM)提取蛋白质序列的特征。采用这种方法提取出的特征能尽可能多地反映蛋白质序列的原始信息如顺序和进化等信息。但随之产生的问题是特征维数很高,使得预测系统复杂化。因此,引入线性维数约简算法最大方差映射方法(MVP),它可以从高维的特征空间中提取出低维的关键特征。最后,在约简后的特征上再应用分类算法预测未知蛋白质的四级结构。试验结果表明,采用降维方法不但使得预测系统得到简化,同时还提高了分类性能。(本文来源于《上海第二工业大学学报》期刊2013年01期）
曾群芳[7]（2012）在《基于拓扑结构保持的线性降维方法研究及其应用》一文中研究指出流形学习和半监督学习是当前模式识别和人工智能领域的研究热点，已经受到了越来越多的研究者的关注。作为一种非线性的维数约减方法，流形学习算法能有效的发现高度非线性、属性强相关的复杂数据集的内在几何结构，为数据的进一步处理提供基础。半监督学习是一种介于监督学习和无监督学习之间的方法，目的是从少量已标记的数据集和大量未标记的数据集的基础上获得一个良好的学习期。流形假设是半监督学习中常用的一种假设方法，是指同一局部邻域内样本之间具有相似的性质，这个和流形学习中局部线性的思想是一致的。本文在对半监督学习和流形学习的发展现状和目前存在的问题的基础上，主要对基于流形假设的半监督学习在降维上做了研究。基于局部拓扑结构保持的流形学习算法局部线性嵌入(LLE， Locally Linear Embedding)和局部学习投影(LLP，Local LearningProjection)，提出了两种半监督的基于局部和全局保持的半监督算法(LGS3DR和LLPPCA)，这两种算法能很好的利用成对约束，并考虑了数据集的内在流形结构，保持了数据集的局部和全局结构。为了体现算法的有效性，首先将LGS3DR和LLPPCA算法与半监督算法SSDR、NPSSDR、CLPP和无监督算法PCA和BASELINE进行了分类性能比较，比较其在不同样本个数、不同K值、不同约束对数和不同约减维数下的分类性能。然后将LGS3DR和LLPPCA算法应用到图像分割上，同样和半监督算法SSDR、NPSSDR、CLPP和无监督算法PCA和BASELINE进行比较。最后验证局部信息、全局信息和约束信息对LGS3DR和LLPPCA算法的贡献度。本文提出的算法LGS3DR和LLPPCA无论是在分类还是在图像分割领域都要优于SSDR、CLPP、NPSSDR、PCA和BASELINE。(本文来源于《华南理工大学》期刊2012-05-01）
王成[8]（2012）在《基于谱正则化的线性降维方法研究》一文中研究指出基于线性变换的特征提取一直是模式识别领域研究的重点,有着许多被广泛应用且被证明有效的方法。其中的主成分分析(PCA)和线性判别分析(LDA)经常被用于特征降维。本文的研究重点也是基于这两种方法所展开。针对由于有限样本可能引起的小特征值对PCA结果的影响,本文将正则化技术应用到PCA中,提出了一种基于谱正则化的PCA,即ER-PCA,通过对其特征谱的正则化,降低了小特征值的影响。在人脸图像库和部分UCI数据集上进行的实验,证明了该方法的有效性。经典LDA方法经过特征提取后,产生的投影空间维数受限于样本的类别数,一般为类别数C减一。而且,LDA假设各类样本是满足高斯分布的,对于实际情况中的非高斯分布的数据,LDA分类效果不一定好。基于此,本文对原类内散布矩阵和类间散布矩阵进行了重新定义,其中引入了k近邻(k-NN)思想,希望依据样本的k近邻来反映样本的分布,提出了一种基于样本k近邻关系的LDA,即KNN-LDA。最后,通过在两个手写体数据集上的实验,可以看出,新方法不仅能够产生更高维度的投影空间(一般为样本维度n),而且要优于原LDA方法。(本文来源于《南京理工大学》期刊2012-01-01）
曹沛霖[9]（2007）在《利用切空间保留流形非线性结构的线性降维方法》一文中研究指出降维作为一项寻找蕴含在高维数据中低维相关性的技术，在模式识别，机器学习以及图像处理领域有着广泛的应用，是人们揭示复杂现象和事物中本质规律的强有力工具。它的目的是在保证原数据某些性质的基础上，将高维空间的样本点映射到某个低维空间上，从而简化了数据的后续处理过程。因此，基于降维过程所要保留的不同性质，科学家们已经研究出了众多降维算法，比如PCA、LLE等，这些方法在各自关注的问题中都发挥着重要的作用，成为人们进行数据挖掘的有效途径。本文首先介绍了降维技术产生的背景、其问题描述以及研究现状。接着回顾了近几年受到广泛关注的几种经典降维算法，阐述了它们的思想和实现过程，并通过实际例子分析了它们的优缺点。然后，本文以此为切入点，关注流形的非线性结构，提出了流形上不同方向上的线性化程度概念，通过分析流形的切空间，确定其线性化程度较高的子空间，从而产生相应的线性降维方法，保留了流形的非线性结构。(本文来源于《浙江大学》期刊2007-05-01）
张丽华,潘保芝,单刚义,印长海[10]（2007）在《线性降维映射方法识别火山岩岩性》一文中研究指出随着世界对油气资源的需求不断增加,火山岩油气藏的勘探和开发逐步成为油气储量、产量的新的增长点。火山岩岩性研究是火山岩油气储层研究的基础。常规的识别岩性方法不是很有效,作者曾用主成份分析方法来识别火山岩岩性,取得了一些效果,能够把基性岩,中性岩和酸性岩叁大类岩石区分开来。但当岩性中也包括结构时,识别的效果就不是很理想,很难将流纹岩和流纹质凝灰岩区分开来。对岩石薄片鉴定,全岩分析以及综合测井曲线得到的火山岩岩样应用线性降维映射方法来识别,取得了很好的效果,它能将常规主成份分析方法很难区分的流纹岩和流纹质凝灰岩区分开来。(本文来源于《物探化探计算技术》期刊2007年02期）
线性降维方法论文开题报告
（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：
提取稳定且具有判别性的低维特征是模式识别研究中的关键问题。在深入研究Fisher判别准则的基础上,从因子分析的实际角度考虑,提出基于因子分析的判别准则,解决Fisher判别准则类内和类间散布矩阵非最优定义问题。通过在合成数据集和真实人脸数据集上进行实验比较表明,该方法在解决数据集中的边缘类和人脸的表情、姿态变化等问题上比Fisher判别准则更优。
（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。
线性降维方法论文参考文献
[1].汤其婕,朱小萍.基于关键点的不确定时间序列线性降维方法[J].计算机技术与发展.2018
[2].巩知乐,张少龙,廖海斌.因子分析判别准则的线性降维方法研究[J].计算机工程与应用.2016
[3].王红军,左云波.基于局部线性降维拓扑空间的主轴故障诊断方法[J].北京信息科技大学学报(自然科学版).2014
[4].卞春江,侯晴宇,赵晓,梁冰冰,李立源.特征空间线性降维压缩遥感图像云检测方法[J].哈尔滨工业大学学报.2014
[5].蒲玲.自适应局部线性降维方法[J].计算机应用与软件.2013
[6].王彤,杨志珍,曹晓夏.基于线性降维方法的蛋白质四级结构类型预测[J].上海第二工业大学学报.2013
[7].曾群芳.基于拓扑结构保持的线性降维方法研究及其应用[D].华南理工大学.2012
[8].王成.基于谱正则化的线性降维方法研究[D].南京理工大学.2012
[9].曹沛霖.利用切空间保留流形非线性结构的线性降维方法[D].浙江大学.2007
[10].张丽华,潘保芝,单刚义,印长海.线性降维映射方法识别火山岩岩性[J].物探化探计算技术.2007