导读:本文包含了近邻图论文开题报告文献综述及选题提纲参考文献，主要关键词:高光谱图像,分类,降维,特征选择
近邻图论文文献综述
彭艳斌,郑志军,邱薇薇,李晓勇,潘志刚[1]（2019）在《基于近邻图正则化的高光谱图像特征选择方法》一文中研究指出高光谱图像分类是近年来的研究热点。其数据的高维性引发了"维度灾难"问题。数据降维成为解决问题的关键。针对高光谱数据有标记训练样本点匮乏的特点,提出用无监督的特征选择方法对高光谱数据进行降维。该方法能够同时保持原始高光谱数据的判别能力和局部几何结构。为了保持判别能力,用所选特征对原始高光谱数据进行重构,利用重构误差最小化将特征选择问题转化为优化问题。为了保持局部几何结构,建立近邻图,并将其转化为正则项加入目标函数中。通过迭代梯度下降方法解此优化问题,得出优选特征子集参与高光谱图像分类识别任务。在真实数据集上的实验表明,新方法能够提高分类识别的精度。(本文来源于《光电子·激光》期刊2019年02期）
刘畅[2]（2018）在《基于近邻图的高维空间近似最近邻查询研究》一文中研究指出随着大数据时代的来临,大规模搜索的搜索效率问题成为一个研究重点。最近,研究人员开始关注一种基于近邻图(Nearest Neighbor Graph)的近似最近邻查询方法(Approximate Nearest Neighbor),其优势在于面对海量高维数据时查询效率高,查询结果准确,近邻召回率高。本文系统研究了基于近邻图的近似最近邻查询算法,如GNNS、kGraph算法等。该类算法在预处理阶段构建一个近邻图,在查询阶段,应用贪心算法的思想以近邻图为索引结构进行查询。贪心算法从一个随机的数据对象开始,不断地载入当前最优近邻在近邻图上的邻居,若该邻居比当前最优近邻更接近查询对象,则令该邻居为新的最优近邻,本质是一个通过不断获得局部最优,逼近全局最优的过程。但由于贪心算法的固有缺陷,随着迭代次数增加,算法陷入局部最优的概率也大幅上升,会降低ANN查询的精度和效率。针对贪心算法在近邻图上易陷入局部最优的缺陷,本文使用一种解决思路:在查询阶段,为贪心算法提供一个更优的起始点。优质的起始点可以将贪心选择定位在近邻图中靠近查询对象的区域,此时仅需要很少的迭代次数就可以访问到真实近邻,降低了发生局部最优的概率,提升了最近邻查询的精度和效率。本文提出一种新的基于近邻图的近似最近邻查询方法NSH-NNG,将邻域敏感哈希(Neighbor-Sensitive Hashing)技术和基于近邻图的ANN查询结合到一起。邻域敏感哈希是一种哈希学习的方法,其生成的哈希函数考虑了数据集分布特性,且对距离查询对象近的数据对象更有区分度,故能在快速ANN查询的同时保持高精度。在预处理阶段,该方法同时构建一个NSH哈希索引和一个近邻图;在查询阶段,该方法将查询对象映射为NSH哈希编码,先通过多索引哈希快速确定一个与查询对象相似的候选集,再以该候选集为起始点集在近邻图上进行ANN查询。本方法减少了基于近邻图的ANN查询算法陷入局部最优的概率,能以较高的精度实现快速近似最近邻查询。此外,本方法在提高查询性能的同时,还提出了一种基于数据敏感哈希(DataSensitive Hashing)的快速近邻图构建方法。数据敏感哈希通过机器学习,能将数据库中相似的数据对象均匀地分散到哈希桶中。根据该特性,采用分而治之法,先通过DSH算法将整个数据集均匀地分成多个较小的子集,在每个子集中使用线性查询法生成子近邻图,再将子图合并成近邻图,最后使用近邻下降算法对该近邻图进行优化。本文在两个真实高维数据集下,实验验证了NSH-NNG方法相对于几种流行算法在查询效率上有二至叁倍的提升。同时,证明了基于数据敏感哈希的快速近邻图构建方法的效率不亚于几种流行的近邻图构建算法。(本文来源于《西安电子科技大学》期刊2018-06-01）
于露[3]（2019）在《基于多尺度稀疏近邻图的近邻保持嵌入算法》一文中研究指出针对近邻保持嵌入算法NPE中构造近邻图所存在的缺陷,提出了基于多尺度稀疏近邻图的近邻保持嵌入算法.对于每个待识别的人脸图片,该方法都建立一个具有九个尺度的图像金字塔,并且计算金字塔中每个尺度的图片与其他图片金字塔对应尺度的稀疏近邻.利用稀疏表示算法抗遮挡的特性,通过计算样本多尺度近邻的方法克服了传统方法丢失人脸图片二维结构的缺点.结果表明,该算法具有较强的鲁棒性,比传统的NPE算法具有更好的识别效果.(本文来源于《沈阳工业大学学报》期刊2019年02期）
杨杰[4]（2018）在《图像检索中基于近似k-近邻图的近似最近邻搜索算法研究》一文中研究指出最近邻搜索作为一个基础性问题,广泛出现在数据库、机器学习、计算机视觉和信息检索等领域。最近邻搜索问题可以被简单定义为,给定查询向量和n个同维的候选向量,要求返回某种距离度量方式下距离查询向量最近的一个或多个候选向量。在许多现实应用中,精确算法往往需要高昂的时间和空间代价,而近似最近邻搜索则以牺牲一定的准确率为代价,显着地降低了对存储空间和查询时间的要求。近似最近邻搜索因其实用性,受到了广泛关注,许多算法相继被提出,包括基于空间分割、基于哈希、基于向量量化和基于近邻图四类算法。然而目前还没有通用的亚线性时间复杂度的近似最近邻搜索算法。在大数据时代,设计高质、高效的近似最近邻搜索算法具有重要的理论意义和实用价值。基于(近似)k-近邻图(k-NX图)的近似最近邻搜索算法是当前的主流算法,一般包括两个步骤:一是对候选向量离线构造k-NN图,二是基于k-NN图采用某种搜索策略返回查询结果。k-NN图的质量和搜索策略极大地影响了算法的效果和效率。本文对k-NN图的构造,以及爬山搜索(GNNS)算法做了改进。主要结果有:(1)发现爬山搜索算法存在冗余计算、收敛速度慢,提出一种改进的爬山搜索(E-GNNS)算法:即在每一轮迭代中,不只对第一个样本,而是对前k个样本都在k-NN图上进行扩展。实验表明,E-GNNS算法在搜索效率和平均召回率上获得了显着提升。(2)在爬山搜索种子点的选择上,采用基于RVQ编码的倒排索引来生成候选种子点,替代原方法的随机种子点。实验表明,在这一策略的支持下,E-GNNS算法能够在相似的搜索时间下,获得超10%的平均召回率的提升。(3)为克服k-NN图构造时效率低下、内存消耗严重的缺点,提出一个基于2-M树的轻量级的构造方法。实验表明,该方法能够在不牺牲后期搜索效果和效率的前提下,显着降低k-NN图构造的时间和内存消耗。(本文来源于《厦门大学》期刊2018-05-01）
秦一焜[5]（2018）在《基于混合k近邻图的聚类及半监督算法研究》一文中研究指出随着万物互联的时代到来,人们可以获得的数据呈爆炸式的增长。但这些数据大多数是无标签的,而标注海量的数据需要花费大量的人力物力。因此,半监督以及无监督算法得到了研究者们的广泛关注,希望能利用少量标注样本甚至不使用标注样本完成机器学习任务。现存的大部分聚类以及半监督算法都无法很好的处理复杂的非线性数据集,为了弥补这一缺陷,本文提出了一种新型的图模型——混合k近邻图,并提出了基于该图模型的聚类和半监督算法。本文第二章首先详细介绍了获得广泛研究的两种图模型:k近邻图和互k近邻图。并分析了基于这两种图模型的算法的特点。最后提出融合了k近邻图和互k近邻图的优点的混合k近邻图。本文第叁章主要介绍了基于混合k近邻图的聚类算法CHKNN,该算法分为两个步骤。第一步骤会生成较多小而紧凑的子簇,第二步骤将根据这些子簇之间的连通关系合并部分子簇而形成最终的聚类结果。此外,为了便于挑选聚类算法的参数及评价聚类结果的好坏,本文还进一步提出了基于k近邻图的内部评价指标KNNI。大量在人工和真实数据集上的比较结果都可以证明CHKNN聚类算法及内部评价指标KNNI的效果要优于当前主流的算法。本文第四章详细介绍了基于混合k近邻图的半监督算法SSLHKNN,该算法充分利用了少量已标注数据点的信息,对算法中初步生成的子簇进行标注和合并,形成了较大的已标注子簇后,再根据连通及近邻关系将标签传播至其他未标注的子簇中。最后列举了SSLHKNN半监督算法与当前半监督领域中着名算法的比较结果,结果表明SSLHKNN在处理复杂非线性数据集的半监督问题时,在准确率上有较大的提升。(本文来源于《华南理工大学》期刊2018-04-10）
邹蕾[6]（2017）在《一种近似的K最近邻图算法》一文中研究指出针对K最近邻(KNN)图方法在数据挖掘和机器学习方面的问题,文中提出一种高效的基于K最近邻图的近似算法.首先随机生成一个KNN图近似值;对空间进行随意层次划分,构建一个近似近邻图,然后与KNN图近似值合并生成一个更准确的图;最后对生成的更准确的图进行近邻传播,进一步提高准确度.通过采用各种真实数据集和高维度合成数据进行实验研究,证实文中提出的算法性能优于先进的KNN图构造方法.(本文来源于《江苏科技大学学报(自然科学版)》期刊2017年04期）
谢宜婷,王爱平,邹海[7]（2017）在《基于局部近邻图的特征描述与特征匹配算法研究》一文中研究指出特征描述和特征匹配是计算机视觉领域的重要组成部分。近年来,为了实现图像匹配上的可靠性和鲁棒性,许多特征描述算法被提出来,例如SIFT、SURF、DAISY和BRIEF等。然而,当图像发生平移、旋转、缩放等大视角变化时,这些描述符通常会失效。为了解决这个问题,在局部近邻图模型的基础上,提出一种新颖的特征描述和相似性度量方法(LNFM算法)。所提出的描述符和相似度可以很好地应用于各种流行的图像匹配算法。实验结果表明:在特征匹配过程中,该算法可以检测到可靠的匹配关系,性能较为优越。(本文来源于《计算机应用与软件》期刊2017年08期）
王凌霄[8]（2017）在《基于近邻图的局部敏感哈希索引技术研究》一文中研究指出随着社会的发展和时代的进步,数据维数越来越高,数据库规模越来越大,复杂性越来越高,那么怎么从海量高维数据中快速找到目标数据成了一个难题。对于低维的小数据集,我们可以通过线性计算很容易解决,但是对于海量高维数据集,线性查找往往需要很庞大的运算量,非常耗时。为了解决这一难题,一方面需要设计更加高效的索引结构对数据进行有效组织,另一方面需要为索引结构配以高效的查询机制实现更加准确快速的搜索。这种技术我们称之为高维最近邻查询(Nearest Neighbor,NN)技术,现已成为海量多媒体数据检索研究中的一个基础问题。由于高维空间中存在“维数灾难”现象,使得高效查找精确最近邻变得十分困难。而通过牺牲少量精度以求解近似最近邻(Approximate Nearest Neighbor,ANN)代替精确解却能够获得巨大的效率提升,因此研究者们重点关注近似最近邻查询技术。目前,局部敏感哈希技术(LSH)及其变种被公认为是近似最近邻查询最有效的解决方案。LSH的基本思想就是:原始数据空间相邻的两个点通过相同的映射或投影后,这两个点在新的数据空间中相邻的概率同样很大,而不相邻的两个点被映射进同一个桶里的概率很小。本文对局部敏感哈希技术、空间曲线和近邻图进行了重点研究和分析。在局部敏感哈希技术方面,对目前的多种哈希算法进行了学习和研究,对其技术优劣性进行了分析。局部敏感哈希的优势是能实现候选点的快速筛选,通过构建复合哈希函数能有效过滤不相关点得到高质量的候选集,但缺点是访问候选点依赖大量的随机I/O,而且存在大量漏报,为了获取高质量的返回结果,需要构建多个哈希表,访问足够多的候选点,从而导致了庞大的时间和空间开销。空间曲线可以建立复合哈希值的线序关系,从而能实现邻域的快速定位。近邻图技术借助数据点间的邻接关系能快速地收敛到更好的候选点,但受初始搜索点质量的影响容易陷入局部最优。为了克服当前LSH方法的缺陷,本文提出了一种新的算法——NNG-LSH,该方法通过空间曲线和近邻图来实现邻域快速定位和近邻搜索的局部收敛。作者首先通过空间曲线在复合哈希值上建立一种线序(即字典序)关系,然后对应的原始数据集也是升序排列,这样哈希值相似的点可以被存储在连续的磁盘页上,从而为在查询过程中减少随机I/O访问,实现邻域的快速定位奠定了基础。在近似最近邻查询过程中,引入近邻图,通过查询点所在页面的近邻点进行收敛,从而达到局部近邻优化,提高返回值的准确度。本文通过在四个真实的高维数据集上大量的实验以及对比表明,与当前最新的LSH方法对比,证实NNG-LSH在近似最近邻查询中的准确性和空间需求方面是有优势的。(本文来源于《西安电子科技大学》期刊2017-06-01）
王淞,黄浩,余果,梁楠,王黎维[9]（2016）在《一种基于k近邻图的稀有类检测算法》一文中研究指出稀有类检测的目标是为无类别标签的数据集中的每个类,特别是仅含少量数据样本的稀有类,寻找到至少一个数据样本以证明数据集中存在这些类.该技术在金融欺诈检测及网络入侵检测等现实问题中具有广泛的应用场景.但是,现有的稀有类检测算法往往存在以下问题:(1)时间复杂度比较高;或(2)对原始数据集需要一定的先验知识,如数据集中各类数据样本所占比例等.提出了一种基于k邻近图的无先验快速稀有类检测算法KRED,通过利用稀有类数据样本在小范围内紧密分布所造成的与周边数据分布的不一致性来定位稀有类.为此,KRED将给定数据集转化为k邻近图,并计算图中各顶点入度和边长的变化.最后,将以上变化最大的顶点对应的数据样本作为稀有类的候选样本.实验结果表明:KRED有效提高了发现数据集中各个类的效率,明显缩短了算法运行所需时间.(本文来源于《软件学报》期刊2016年09期）
王永茂,李赓[10]（2015）在《完备自适应近邻图嵌入的局部鉴别投影算法》一文中研究指出针对基于自适应近邻图嵌入的局部鉴别投影算法(Neighborhood graph embedding based local adaptive discriminant analysis,LADP)仅仅利用局部类内离差矩阵主元空间的鉴别信息而丢失了其零空间内大量鉴别信息的不足,结合全空间的基本思想提出了完备的基于自适应近邻图嵌入的局部鉴别投影算法(Complete LADP,CLADP)。在局部类内离差矩阵的零空间内,通过最大化局部类间离差矩阵提取不规则鉴别特征,在局部类间离差矩阵的主元空间内,通过最大化局部类间离差矩阵的同时最小化局部类内离差矩阵提取规则鉴别特征,最后将不规则鉴别特征和规则鉴别特征串联形成CLADP特征。在ORL,Yale以及PIE人脸库上的人脸识别实验结果证明了CLADP的有效性。(本文来源于《数据采集与处理》期刊2015年06期）
近邻图论文开题报告
（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：
随着大数据时代的来临,大规模搜索的搜索效率问题成为一个研究重点。最近,研究人员开始关注一种基于近邻图(Nearest Neighbor Graph)的近似最近邻查询方法(Approximate Nearest Neighbor),其优势在于面对海量高维数据时查询效率高,查询结果准确,近邻召回率高。本文系统研究了基于近邻图的近似最近邻查询算法,如GNNS、kGraph算法等。该类算法在预处理阶段构建一个近邻图,在查询阶段,应用贪心算法的思想以近邻图为索引结构进行查询。贪心算法从一个随机的数据对象开始,不断地载入当前最优近邻在近邻图上的邻居,若该邻居比当前最优近邻更接近查询对象,则令该邻居为新的最优近邻,本质是一个通过不断获得局部最优,逼近全局最优的过程。但由于贪心算法的固有缺陷,随着迭代次数增加,算法陷入局部最优的概率也大幅上升,会降低ANN查询的精度和效率。针对贪心算法在近邻图上易陷入局部最优的缺陷,本文使用一种解决思路:在查询阶段,为贪心算法提供一个更优的起始点。优质的起始点可以将贪心选择定位在近邻图中靠近查询对象的区域,此时仅需要很少的迭代次数就可以访问到真实近邻,降低了发生局部最优的概率,提升了最近邻查询的精度和效率。本文提出一种新的基于近邻图的近似最近邻查询方法NSH-NNG,将邻域敏感哈希(Neighbor-Sensitive Hashing)技术和基于近邻图的ANN查询结合到一起。邻域敏感哈希是一种哈希学习的方法,其生成的哈希函数考虑了数据集分布特性,且对距离查询对象近的数据对象更有区分度,故能在快速ANN查询的同时保持高精度。在预处理阶段,该方法同时构建一个NSH哈希索引和一个近邻图;在查询阶段,该方法将查询对象映射为NSH哈希编码,先通过多索引哈希快速确定一个与查询对象相似的候选集,再以该候选集为起始点集在近邻图上进行ANN查询。本方法减少了基于近邻图的ANN查询算法陷入局部最优的概率,能以较高的精度实现快速近似最近邻查询。此外,本方法在提高查询性能的同时,还提出了一种基于数据敏感哈希(DataSensitive Hashing)的快速近邻图构建方法。数据敏感哈希通过机器学习,能将数据库中相似的数据对象均匀地分散到哈希桶中。根据该特性,采用分而治之法,先通过DSH算法将整个数据集均匀地分成多个较小的子集,在每个子集中使用线性查询法生成子近邻图,再将子图合并成近邻图,最后使用近邻下降算法对该近邻图进行优化。本文在两个真实高维数据集下,实验验证了NSH-NNG方法相对于几种流行算法在查询效率上有二至叁倍的提升。同时,证明了基于数据敏感哈希的快速近邻图构建方法的效率不亚于几种流行的近邻图构建算法。
（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。
近邻图论文参考文献
[1].彭艳斌,郑志军,邱薇薇,李晓勇,潘志刚.基于近邻图正则化的高光谱图像特征选择方法[J].光电子·激光.2019
[2].刘畅.基于近邻图的高维空间近似最近邻查询研究[D].西安电子科技大学.2018
[3].于露.基于多尺度稀疏近邻图的近邻保持嵌入算法[J].沈阳工业大学学报.2019
[4].杨杰.图像检索中基于近似k-近邻图的近似最近邻搜索算法研究[D].厦门大学.2018
[5].秦一焜.基于混合k近邻图的聚类及半监督算法研究[D].华南理工大学.2018
[6].邹蕾.一种近似的K最近邻图算法[J].江苏科技大学学报(自然科学版).2017
[7].谢宜婷,王爱平,邹海.基于局部近邻图的特征描述与特征匹配算法研究[J].计算机应用与软件.2017
[8].王凌霄.基于近邻图的局部敏感哈希索引技术研究[D].西安电子科技大学.2017
[9].王淞,黄浩,余果,梁楠,王黎维.一种基于k近邻图的稀有类检测算法[J].软件学报.2016
[10].王永茂,李赓.完备自适应近邻图嵌入的局部鉴别投影算法[J].数据采集与处理.2015