导读:本文包含了结构降维论文开题报告文献综述及选题提纲参考文献，主要关键词:局部流行结构,稀疏子空间,降维,L2,P范数
结构降维论文文献综述
庄姗姗[1]（2019）在《基于L_2,_P稀疏子空间和局部结构保持降维》一文中研究指出在无样本类别先验信息下,样本间的局部结构和全局结构信息在降维过程中成为重要的考虑因素。多数降维方法只考虑样本间的单一结构。在降维过程中考虑混合结构,提出基于L_2,_p稀疏子空间和局部结构保持降维方法,同时考虑样本间的全局子空间结构和局部几何结构,通过刻画局部相似性关系图,保持降维前后样本间局部流行结构一致;通过更一般化的L_2,_p(0 <p≤1)范数约束,保持全局稀疏子空间结构,也更具普适性;降维过程中考虑混合结构,使得降维后的样本特征更具判别性。在4个图像数据集和4个生物基因数据集上的实验验证了所提方法的有效性。(本文来源于《信息技术与网络安全》期刊2019年11期）
于海波,程霄,高媛,隋志巍[2]（2019）在《改进主成分回归在线损率多维网架结构的降维分析应用》一文中研究指出线损率是电网企业关注的重要指标之一,在确保电网正常运转的情况下,尽量减少电网输、配、变电设备的损耗,能够有效提升电网企业运营管理水平,降低成本。宏观层面的统计线损率分析,决定了样本数量受到巨大限制,但是线损率的复杂性又决定了其影响或考虑到的因素众多纷杂。在影响因素远多于样本数的情况下,需要根据业务知识首先对变量进行分组,然后分组提取主成分,再次利用提取的主成分建立主成分回归模型,最后通过系数变换得到因变量与原始变量之间的关系。因此,针对线损统计中电网结构对线损率的影响开展分析研究,全面分析了电网网架结构中分压、分设备对线损率的影响,并运用一种改进的主成分回归算法对线损率的主要影响因素进行分析研究,为电网企业合理规划电网结构、提升管理手段提供支撑。(本文来源于《通信电源技术》期刊2019年10期）
芮珍梅,陈建兵[3]（2019）在《加性非平稳激励下结构速度响应的FPK方程降维》一文中研究指出结构在随机激励下的非线性响应分析是具有高度挑战性的困难问题.对于白噪声或过滤白噪声激励,求解FPK方程将获得结构响应的精确解.遗憾的是,对于非线性多自由度系统,FPK方程难以直接求解.事实上,其数值解法严重受限于方程维度,而解析求解则仅适用于少数特定的系统,且多是稳态解.因此,将FPK方程进行降维,是求解高维随机动力响应分析问题的重要途径.本文针对幅值调制的加性白噪声激励下多自由度非线性结构的非平稳随机响应分析问题,将联合概率密度函数满足的高维FPK方程进行降维.针对结构速度响应概率密度函数求解,通过引入等价漂移系数,原FPK方程可转化为一维FPK型方程.建议了构造等价漂移系数的条件均值函数方法.进而,采用路径积分方法求解降维FPK型方程,得到速度概率密度函数的数值解答.结合单自由度Rayleigh振子、十层线性剪切型框架和非线性剪切型框架结构在幅值调制的加性白噪声激励下的非平稳速度响应求解,讨论了本文方法的精度和效率,验证了其有效性.(本文来源于《力学学报》期刊2019年03期）
马宏亮,万建武,王洪元[4]（2019）在《一种嵌入样本流形结构与标记相关性的多标记降维算法》一文中研究指出现有的多标记降维算法常通过学习标记相关性构建样本间的相似关系,进而提高学习系统的性能.然而,在实际应用中,样本的标记信息可能存在噪声,且部分标记信息可能缺失,因此由样本的标记信息学得的标记相关性可能不准确,无法有效挖掘样本间的相似关系.为了解决该问题,从样本的特征空间与标记空间两个方面构建样本间的相似关系.在利用标记空间学习标记相关性的同时,通过引入特征空间中的概率超图模型,提出一种嵌入样本流形结构与标记相关性的多标记降维算法.在十个多标记数据集和六种评价准则上的实验结果证明了所提算法的有效性.(本文来源于《南京大学学报(自然科学)》期刊2019年01期）
孟广伟,冯昕宇,周立明,李锋[5]（2018）在《基于降维算法的结构混合可靠性分析方法》一文中研究指出针对工程实际中同时带有模糊变量与随机变量的结构混合不确定性问题,提出1种基于降维算法的混合不确定性变量的可靠性分析模型。首先,利用模糊数学中的λ-截集概念,将模糊变量转变为水平截集下相应的区间变量,再借助于降维算法,将含有n个随机变量的结构功能函数Z展开为n个一维随机变量函数;将所得到的降维表达式进行泰勒展开,得到结构功能函数的上、下界表达式;运用变量转换方法将其中的随机变量转换为均值为0,方差为0.5的正态分布变量,并结合二项式展开定理、Gauss-Hermite积分方法与变量转换方法计算出结构功能函数上下界的统计矩;将所得的矩信息应用到Edgeworth级数展开式中,计算得到对应于λ-截集的失效概率区间,从而获得失效概率的隶属度函数。研究结果表明:本文提出的方法不仅计算精度高,而且计算量小。(本文来源于《中南大学学报(自然科学版)》期刊2018年08期）
张喜莲,刘新伟,樊明宇[6]（2018）在《基于结构正则化方法的半监督降维研究》一文中研究指出提出了一种鲁棒的半监督降维算法——同时降维和学习数据的结构特征,亦称之为结构正则化半监督降维算法.首先,通过交替方向优化算法和聚类发现数据的结构(包括内部结构分布和数据分割),实现数据结构化学习;然后把内部结构和数据分割作为降维的正则化项来学习降维映射;在迭代过程中,降维的结果也影响数据的结构化学习,基于数据结构学习和降维映射之间的相互作用,得到更精确的数据结构,降到最合适的维度.实验结果证明了所给方法的有效性.(本文来源于《温州大学学报(自然科学版)》期刊2018年03期）
陈文河[7]（2018）在《基于流形结构的降维方法及在人脸识别中的应用》一文中研究指出在机器视觉和模式识别的研究浪潮下,人脸识别技术以其普遍性、安全性、唯一性、稳定性等特点,在社会公共安全、身份验证、监控等日常生活中具有广阔的应用前景。降维作为解决人脸识别中“维数灾难”的最有效方法,受到各界人士的高度关注。由于人脸图像易受许多外界因素的干扰,目前的降维方法还达不到很多应用的标准。如何更好的保持高维数据映射后的流形结构,是降维的首要目的。本文基于已有的降维方法进行总结与分析,在此基础上提出叁种新的降维方法,并用大量实验验证新方法的有效性。具体的研究如下:(1)由于图构造的好坏直接决定了局部降维方法的准确性。本文针对图构造中的问题,如近邻参数的选取、噪声的敏感性、判别力的缺乏以及不能合并域等。通过对图的深入学习及研究,改进传统K-近邻图,重新定义边界,提出一种基于稀疏平均边界图的局部降维方法,利用样本平均边界作为相似性度量构造近邻图,降低了K-近邻中选取K值造成的性能损失,并通过稀疏表示简化近邻图。相比于之前的方法,此方法能够降低计算复杂度、缩短计算时间,并且提高识别率。(2)对比常见的几种距离度量存在的问题。提出一种基于弧长距离的全局降维方法,定义弧长距离作为降维方法的新的距离度量,利用弧度与半径来衡量向量间数值和方向上的差异,弥补现有距离度量的缺点,通过实验证明该方法可提高数据分类性能,提高识别率,为后续的人脸识别提供便利。(3)因为线性降维方法能够直观表示映射关系并且计算量相对较低,被广泛应用于人脸识别中。但是,现实中的人脸图像大部分不是线性的,导致线性降维方法不能得到很好的性能。基于此问题,提出一种基于核的融合降维方法,通过核函数将非线性人脸图像映射到高维空间实现线性可分,再对全局与局部降维方法进行融合降维,充分利用数据流形结构与类别信息得到更好的识别率和鲁棒性。(本文来源于《东北电力大学》期刊2018-06-01）
张喜莲[8]（2018）在《基于结构正则化方法的半监督降维研究》一文中研究指出作为机器学习中的重要课题,降维得到广泛的研究和应用,因此,大量的降维方法被提出。当只有少量的有标签样本时,容易产生过拟合,监督降维效果常常不是最优的,在这种情况下,无标签的样本也能够用来提高降维的性能,因而半监督降维成为热门的研究。在这篇文章中,我们提出了一种鲁棒的半监督降维算法,该方法能够同时对数据进行降维和学习数据的结构特征,我们称这种算法为结构正则化半监督降维。首先,通过交替方向优化算法和聚类发现数据的结构(包括本质结构分布和数据分割),实现结构学习;然后通过降维的正则化项(本质结构和数据分割)来学习降维映射;在下面的迭代过程中,降维的结果也会影响数据的结构化学习。基于数据结构学习和降维映射之间的相互作用,我们能够得到更精确的数据结构和降到最合适的维度,使之分类效果更佳。我们的算法建立在两种投影空间上:非正交约束投影空间和正交约束投影空间。大量实验证明了我们方法的有效性。(本文来源于《温州大学》期刊2018-05-01）
冯志玺[9]（2018）在《空谱稀疏结构学习下的高光谱数据降维与分类技术研究》一文中研究指出高光谱遥感技术是上世纪对地观测领域的重大科学进展,首次将遥感影像的光谱分辨率提高到纳米级,为区分不同类型地物提供了更加丰富的光谱信息。然而,由于传感器空间与光谱分辨率的互相制约,以及自然界地物分布复杂多样,高光谱遥感影像的自动解译仍面临诸多困难:(1)精细光谱存在强相关性和大量信息冗余,使得地物信息表达与特征提取困难;(2)高光谱影像中普遍存在的混合像元问题使得同物异谱、同谱异物的现象普遍存在,分类精度难以满足实际应用需求;(3)类内、类间统计特征复杂、真实样本缺乏造成地物分类的精度与智能化程度不足。因此,高光谱遥感影像的光谱特征提取选择与智能化地物分类已成为遥感领域亟需解决的关键问题。本文在“973”计划(非结构化环境的协同感知与高效目标相关信息获取,2013CB329402),国家自然科学基金重大研发计划(基于稀疏特征的遥感信息高效感知与压缩,91438103)等项目的支持下,借鉴生物认知过程中稀疏感知与认知机理,借助稀疏表征学习、结构学习以及半监督学习等理论,对高光谱遥感影像光谱约简与分类方法进行了研究。主要研究内容及创新点如下:1)提出了基于光谱成对相似性的稀疏波段选择方法。强判别力特征通常具有稀疏的特点,构造由成对相似度与贡献度矩阵组成的编码代价函数,将稀疏波段子集选择问题建模为贡献度矩阵行稀疏约束下的编码代价最小问题。先采用非负低秩表示获取准确的光谱成对相似度量,再利用波段间的相对位置关系对其修正。其次,在编码代价函数中引入流形正则项以保证局部区域中最优波段子集的平滑性。针对新的目标函数设计了多乘子交替优化方法,优化求解反映地物特性的最优特征子集。在公测数据上实验结果表明,该算法在无标记信息的情况下能有效降低波段冗余,提高分类精度。2)设计了基于空-谱压缩张量编码的稀疏波段选择算法。光谱数据具有内在的高阶张量结构,在数据处理中考虑其张量特点有助于提升处理效果。另一方面,在原始数据空间进行波段选择虽然具有明确的物理含义,但是分类性能一般低于基于特征变换的方法。针对上述问题,提出了基于核张量稀疏编码的特征学习方法,在高维的核张量空间中稀疏选择判别力更强的特征子集。首先将叁维张量光谱数据通过张量核映射,投影到更高维的张量核空间,将特征选择建模为核空间中的稀疏张量编码问题。进一步,联合空间局部近邻张量构造空谱张量,构造了空-谱压缩张量协同编码的稀疏波段选择模型,相应地设计了一种张量多观测向量优化算法。在合成和真实公测数据上的实验表明,本文所提的方法较传统基于向量的特征学习的方法,具有较好的分类精度。3)设计了基于超像素张量稀疏编码的高光谱数据分类方法。高光谱数据不仅仅是一组光谱数据,更是具有特定空间语义的图像数据。为了获得更加精准的分类结果,将张量稀疏编码模型与空间语义相结合,提出了基于超像素张量结构稀疏编码的分类方法。首先设计了一种基于层次化空间相似性传播的超像素分割方法,获得图像数据的局部语义信息。其次,将每个超像素及其近邻超像素构建超像素张量,建立监督样本下的超像素张量联合稀疏编码模型,通过编码误差,获取超像素类别标签;同时,为了精细化分类结果,对边界像元进行稀疏编码分类。最后,以多数投票原则集成像素-超像素标签信息,得到最终标签。在公测数据上实验结果表明,基于超像素张量稀疏编码的的分类方法可以有效描述地物的空间语义信息,减少“斑点”分类结果。4)设计了基于低秩结构正则的半监督子空间学习算法。高光谱数据除了在光谱空间、高阶张量空间、张量核空间具有稀疏特性外,还具有结构上的稀疏性,即低秩性。为了充分利用无标记样本的信息,基于低秩表示建立了包含大量无标记样本的低秩流形正则项,有效刻画了数据的全局结构稀疏性。在监督子空间学习模型中构建包括低秩流形正则和空谱判别边界最大判别项的目标函数,提出了基于低秩结构正则的半监督子空间学习方法。该方法能自动确定子空间最优维数,并且可以实现少量标记样本下的高精度分类。5)设计了双几何低秩学习的高光谱数据分类方法。为挖掘高光谱数据在光谱空间和局部空间区域的几何结构特点,构建了基于低秩表示的全局光谱结构学习和局部空间结构学习的双几何结构学习模型。继而设计了局部空间几何正则的Laplician低秩表示学习(GLapLRR)方法来学习样本间的几何结构相似性,构建样本间流形正则项,最后设计了基于GLapLRR图正则项的半监督分类方法。在公测数据上实验结果表明所提的双几何低秩学习模型能够有效刻画高光谱数据的空谱结构,避免分类结果中的“斑点”误分以及边界像元的误分。(本文来源于《西安电子科技大学》期刊2018-04-01）
冯昕宇[10]（2017）在《基于降维算法的结构可靠性研究》一文中研究指出结构在工程实际工作过程中,其性能会受到来自材料属性、几何参数、强度、载荷等诸多不确定因素不同程度的影响。因而,合理地处理结构可靠性分析问题是非常必要的。传统的结构可靠性分析中,可以用概率模型来描述不确定性变量,然而此类变量需要大量的样本数据来确定其服从的分布类型以及变量所对应的概率密度函数,且在计算过程中较小的计算误差将会导致结果失真。非概率模型对于样本数据的统计要求并没有概率模型那么高,可建立较为简单的不确定性模型对结构进行有效的分析。而针对工程实践,含有混合不确定性变量且同时存在多种失效模式的复杂结构来说,则此时需要用到结构系统可靠性分析模型进行有效求解;与此同时,在进行结构(系统)可靠性问题求解的过程中发现,不同的混合不确定性变量对于引起复杂结构的失效所起到的作用并不完全相同,不同类型的不确定性变量对结构(系统)的可靠性分析与结构可靠性灵敏度分析结果各不相同。为此,本文基于降维算法,建立了概率结构可靠性分析模型以及主客观混合不确定性变量的结构可靠性分析模型以及相应的简化模型;在此基础上,构建了结合泰勒展开法与混合概率估算技术的结构系统可靠性分析模型;与此同时,建立了与简化模型相应的结构可靠性灵敏度分析模型。在一定程度上拓展了目前的结构可靠性分析问题的计算方法。论文主要有如下几方面的工作:1、基于降维算法的结构概率可靠性分析模型。针对工程实际中存在结构功能函数为隐式或高维非线性的复杂结构,结合Edgeworth级数方法,提出了一种新的结构可靠性分析模型。数值算例充分体现了降维算法求解结构可靠性的优点,不需要求解结构功能函数的导数以及不需要迭代搜索最可能失效点(Most Probable Failure Point,MPP)等,在进行结构可靠性分析时具有较高的计算精度。2、基于降维算法的主客观混合不确定性可靠性分析模型。结构中不确定性参数存在同时含有主观不确定性与客观不确定性的情况,可分别运用随机变量、区间变量、模糊变量来描述结构所具有的不确定性变量,从而建立结构可靠性分析统一模型。该模型既适用于随机-模糊-区间变量共存的结构可靠性分析问题,也同样适用于结构中含有随机-区间变量与随机-模糊变量的可靠性分析问题。该模型充分考虑到结构中主客观混合不确定性变量并存的情况,克服了仅单独运用传统概率可靠性模型与仅单独运用非概率模型的局限性;避免了区间运算中存在的扩张现象。为现有的主客观混合不确定性可靠性分析提供了一种新思路。3、在研究随机-区间变量共存的结构可靠性分析模型的基础上,基于降维算法与混合概率网络估算技术,提出了与随机-区间变量共存的结构可靠性分析模型相对应的结构系统可靠性分析模型。结合降维算法与泰勒展开法、变量转换、Gauss-Hermite积分与Edgeworth级数,计算出各失效模式的失效概率区间,同时还考虑到各失效模式间的相关性,并推导了各失效模式间相关系数公式,对相关系数公式运用泰勒展开法,从而获得失效模式间相关系数区间表达式;再通过混合概率网络估算技术计算结构系统的可靠度指标区间。最后通过数值算例与工程实例,验证了该模型的正确性与可行性。4、在研究了主客观混合不确定性分析模型的基础之上,更进一步地提出了与之相对应的混合不确定性变量的结构可靠性灵敏度分析模型。利用已构建的含随机-区间变量的简化模型,并考虑函数统计矩与结构可靠度指标间的关系;结合函数求导法则,推导出结构功能函数降维后的n个一维函数原点矩、结构功能函数原点矩、中心矩对基本随机变量的灵敏度区间公式,进而获得结构功能函数失效概率区间对基本随机变量的灵敏度公式。该模型为解决含有随机-区间变量的结构可靠性灵敏度分析提供了一种新途径。(本文来源于《吉林大学》期刊2017-06-01）
结构降维论文开题报告
（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：
线损率是电网企业关注的重要指标之一,在确保电网正常运转的情况下,尽量减少电网输、配、变电设备的损耗,能够有效提升电网企业运营管理水平,降低成本。宏观层面的统计线损率分析,决定了样本数量受到巨大限制,但是线损率的复杂性又决定了其影响或考虑到的因素众多纷杂。在影响因素远多于样本数的情况下,需要根据业务知识首先对变量进行分组,然后分组提取主成分,再次利用提取的主成分建立主成分回归模型,最后通过系数变换得到因变量与原始变量之间的关系。因此,针对线损统计中电网结构对线损率的影响开展分析研究,全面分析了电网网架结构中分压、分设备对线损率的影响,并运用一种改进的主成分回归算法对线损率的主要影响因素进行分析研究,为电网企业合理规划电网结构、提升管理手段提供支撑。
（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。
结构降维论文参考文献
[1].庄姗姗.基于L_2,_P稀疏子空间和局部结构保持降维[J].信息技术与网络安全.2019
[2].于海波,程霄,高媛,隋志巍.改进主成分回归在线损率多维网架结构的降维分析应用[J].通信电源技术.2019
[3].芮珍梅,陈建兵.加性非平稳激励下结构速度响应的FPK方程降维[J].力学学报.2019
[4].马宏亮,万建武,王洪元.一种嵌入样本流形结构与标记相关性的多标记降维算法[J].南京大学学报(自然科学).2019
[5].孟广伟,冯昕宇,周立明,李锋.基于降维算法的结构混合可靠性分析方法[J].中南大学学报(自然科学版).2018
[6].张喜莲,刘新伟,樊明宇.基于结构正则化方法的半监督降维研究[J].温州大学学报(自然科学版).2018
[7].陈文河.基于流形结构的降维方法及在人脸识别中的应用[D].东北电力大学.2018
[8].张喜莲.基于结构正则化方法的半监督降维研究[D].温州大学.2018
[9].冯志玺.空谱稀疏结构学习下的高光谱数据降维与分类技术研究[D].西安电子科技大学.2018
[10].冯昕宇.基于降维算法的结构可靠性研究[D].吉林大学.2017