导读:本文包含了半监督谱聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:成对约束,半监督聚类,FCM-NMF聚类,非负矩阵分解
半监督谱聚类论文文献综述
陶性留,俞璐,王晓莹[1]（2019）在《基于成对约束的半监督聚类方法》一文中研究指出成对约束作为半监督学习的一个重要分支,它以无监督的聚类算法为基础,通过利用少量的监督信息来提高聚类的性能。提出了一种基于成对约束的半监督聚类方法,在FCM-NMF聚类算法框架下,采用非负矩阵分解提取样本的本质特征,并且加入成对约束条件指导聚类过程进行模糊聚类。构造出的新的目标函数采用梯度下降法和交替迭代公式来找局部最优解,并在UCI数据集上讨论了成对约束的数量对聚类的影响、价值系数的设置对聚类的影响,并与常见的半监督聚类性能进行了比较,证明了其正确性、有效性、稳定性。(本文来源于《信息技术与网络安全》期刊2019年11期）
秦悦,丁世飞[2]（2019）在《半监督聚类综述》一文中研究指出半监督聚类是结合半监督学习与聚类分析而提出的新的学习方法,其在机器学习中得到了广泛的重视和应用。传统无监督聚类算法在划分数据时并不需要任何数据属性,但在实际应用中,存在少量带有独立类标签或成对约束的监督信息的数据样本,学者们致力于将这些为数不多的监督信息运用于聚类,以得到更优的聚类结果,从而提出了半监督聚类。文中主要介绍了半监督聚类的理论基础和算法思想,并对半监督聚类的最新研究进展进行了综述。首先,对半监督学习的研究现状和分类进行了概述,并将生成式半监督学习、半监督SVM、基于图的半监督学习和协同训练这4种分类方法进行了对比;其次,针对半监督学习的聚类进行了详细的描述,并对4种典型半监督聚类算法(Cop-Kmeans算法、LCop-Kmeans算法、Seeded-Kmeans算法和SC-Kmeans算法)的算法思想进行了分析和总结,同时对这4种算法的优缺点进行了评价;然后,按照基于约束的半监督聚类和基于距离的半监督聚类两种情况,分别对半监督聚类的研究现状进行了阐述;最后,探讨了半监督聚类在生物信息学、图像分割以及计算机其他领域内的应用以及未来的研究方向。文中旨在使初学者能够快速了解半监督聚类的进展,理解典型的算法思想,并在之后的实际应用中能起到一定的指导作用。(本文来源于《计算机科学》期刊2019年09期）
向思源,金应华,徐圣兵[3]（2019）在《基于功效散度和成对约束的半监督聚类算法》一文中研究指出现有成对约束半监督聚类算法(CE-s SC)克服了极大熵聚类(MEC)算法不能利用样本成对约束信息的缺点,但CE-s SC算法的惩罚项中各熵项之间相互干扰,不利于惩罚项系数的选择。为克服此问题,基于相对熵提出了一类新的半监督聚类算法(PD-s SC),并把表示成对约束样本信息(外部信息)的相对熵项推广到了功效散度(PD)族。此时,PD指标可取任意的实数,当成对约束数较少时,可通过调整PD散度指标来选择比对比算法表现更好的PD-s SC算法。实验结果显示了PD-s SC算法的优良性质,PD-s SC算法惩罚系数的选择也比CE-s SC算法简单且高效。(本文来源于《佛山科学技术学院学报(自然科学版)》期刊2019年04期）
张静,李文斌,张志敏[4]（2019）在《基于半监督聚类的网络嵌入方法》一文中研究指出GEMSEC(graph embedding with self clustering)在计算节点特征的同时学习节点聚类,通过强制将节点进行聚类来揭露网络中的社区结构,但未考虑类别标签信息,导致学到的节点嵌入缺乏区分性。针对这一问题,提出了一种基于半监督聚类的网络嵌入方法(NESSC),将随机游走序列和少量节点类别标签作为输入,在计算节点特征和学习节点k-means聚类的过程中,利用类别标签信息指导聚类过程,同时重构已知节点类别标签信息,学习具有区分性的节点表示。在6个真实网络上进行节点聚类和节点分类评测实验,实验结果显示,NESSC方法明显优于无监督网络嵌入方法DeepWalk和GEMSEC,可以通过加入节点的标签信息来提高网络嵌入的效果。因此,通过网络节点的嵌入,可以高效地提取网络的有用信息,对于相关网络嵌入研究具有一定的参考价值。(本文来源于《河北工业科技》期刊2019年04期）
曹文艳,王然风,樊民强,付翔,王宇龙[5]（2019）在《基于半监督聚类的煤泥浮选泡沫图像分类方法》一文中研究指出针对选煤厂煤泥浮选过程加药量依靠人工干预存在主观性、滞后性和粗放性的问题,提出了一种基于半监督聚类的煤泥浮选泡沫图像分类方法。首先,采集已知加药比例与未知加药比例下的煤泥浮选泡沫图像样本,并对泡沫图像进行预处理,提取泡沫的气泡个数、气泡面积、气泡周长等形态特征;然后,对已知加药比例下泡沫图像形态特征样本进行标志,对未知加药比例下泡沫图像形态特征样本不做标志,并将已标志泡沫图像形态特征样本与未标志泡沫图像形态特征样本进行混合;最后,利用基于高斯混合模型的半监督聚类方法对混合样本进行聚类后得到各类簇,将各类簇内已标志泡沫图像形态特征样本的信息映射到未标志泡沫图像形态特征样本。应用结果表明,该方法可为煤泥浮选生产过程加药量调整提供指导,降低了药剂消耗量,提高了选煤厂浮选自动化水平和经济效益。(本文来源于《工矿自动化》期刊2019年07期）
邱宁佳,高奇,王鹏[6]（2019）在《参数自适应学习的半监督混合聚类算法》一文中研究指出提出目标重构的半监督混合聚类算法SSABC。使用人工蜂群算法结合有标记数据研究半监督聚类的准确率提高问题,利用设定参数衡量有无标记数据的权重,依此重新构造目标函数找出数据聚类中心;使用APL-SSHC算法完成半监督混合聚类的参数自适应学习工作,结合自适应学习理论优化权重参数,将参数的确定与聚类过程结合加快聚类过程。UCI数据集实验结果表明,该算法能够找到合理的聚类中心点,APL-SSHC算法与其它聚类算法相比有更好的聚类效果。(本文来源于《计算机工程与设计》期刊2019年06期）
王楠,孙善武[7]（2019）在《基于半监督聚类分析的无人机故障识别》一文中研究指出相较于有人驾驶飞行器,无人机具有诸多优势,在军事、民用及科研等领域都有着广泛应用。但是,无人机缺少飞行员的实时决策能力,因此具有较高的事故率。故障预测是无人机健康管理技术的核心,在构建故障预警模型之前,很重要的一步是对采样数据进行模式识别,进而对建模的训练数据添加精准标签,这也是完善飞行画像的一部分。文中基于沈阳某无人机生产公司大数据平台累积的无人机飞行数据,提出利用半监督聚类技术自动识别飞行过程的正常点、故障点(若故障后发生炸机,则包括炸机点)以及炸机后的点(若故障后发生炸机),在加强对飞行数据进行管理和统计的同时,进一步提高对历史飞行数据添加精准标签的效率和准确率。在真实的飞行数据或飞行测试数据上进行实验,人工验证的结果表明故障点的识别率可达到80%以上。(本文来源于《计算机科学》期刊2019年S1期）
段磊[8]（2019）在《基于半监督聚类的异常用户检测》一文中研究指出近年来,随着智能设备与互联网的快速发展,互联网愈加的深入到人们的生活的各个方面,这使得各个软件应用的用户规模逐渐庞大,如今用户规模上亿的产品也屡见不鲜。与此同时,用户的价值也逐渐被重视,活跃用户的规模也成为了衡量互联网产品价值的重要指标之一。然而,庞大的用户规模也吸引了随利益而来的异常用户,异常用户的大量存在不但损害了正常用户的信息安全,更是严重危害了软件应用的信誉评价。因此异常用户检测也越来越受到人们的关注。常见的异常检测方法主要分为叁种:有监督的方法、无监督的方法和半监督的方法。异常用户因为其数据稀少,导致标记足量的数据集更加困难,因此虽然有监督的方法能达到较好的异常检测效果,但是却需要大量人力。无监督的方法虽然避免了这一问题,然而目前的无监督方法却没能达到预期的异常检测效果。因此作为结合有监督和无监督的半监督方法正逐渐应用于异常用户检测。本论文提出了一个基于半监督聚类的异常用户检测方案。该检测方案结合孤立森林算法和半监督的模糊c均值聚类算法,首先将已标注的数据进行聚类得到聚类中心,接着将未标注数据中的孤立数据分离出来,并且根据之前的聚类中心得到孤立数据归属于异常用户的可能性,最后利用得到的信息作为先验信息,进行半监督聚类检测出异常用户。经过实验可知,在少量标记数据的情况,该检测方案也能达到良好的检测效果。同时本文也依照该方案设计并实现了基于异常用户检测的安全示警系统,该系统包括数据获取、异常用户检测、系统管理和统计分析等模块,经过系统测试证明该系统能有效的检测异常用户并且稳定运行。(本文来源于《北京邮电大学》期刊2019-05-31）
朱乐为,胡恩良[9]（2019）在《半监督平衡化模糊C-means聚类》一文中研究指出传统模糊C-means聚类(FCM,fuzzy C-means)在处理非平衡数据集时,由于相异类中所含样本数量差异较大,导致类间权值不平衡和"均匀效应",从而易产生聚类错误.另外,FCM属于无监督方法,无法更好地利用已知的部分类标记信息引导聚类.为解决这两方面问题,提出一种半监督的平衡化模糊C-means聚类(SBFCM,semi-supervised balanced fuzzy C-means)方法.SBFCM在FCM目标函数的基础上加入了对聚类模糊隶属度矩阵的近似正交约束和半监督约束,从而得到了新的聚类目标函数.实验结果表明,相比于FCM,SBFCM能有效缓解由"均匀效应"导致的聚类错误现象,并能有效地利用部分先验类标记信息,从而可获得更好的聚类效果.(本文来源于《云南民族大学学报(自然科学版)》期刊2019年03期）
赵凤,张咪咪,刘汉强[10]（2019）在《区域信息驱动的多目标进化半监督模糊聚类图像分割算法》一文中研究指出现有的多目标进化聚类算法应用于图像分割时,往往是在图像像素层面上进行聚类,运行时间过长,而且忽略了图像区域信息使得图像分割效果不太理想。为了提高多目标进化聚类算法的分割效果和时间效率,该文将图像区域信息与部分监督信息引入多目标进化聚类,提出图像区域信息驱动的多目标进化半监督模糊聚类图像分割算法。该算法首先利用超像素策略获得图像的区域信息,然后结合部分监督信息,设计融合区域信息和监督信息的适应度函数,接着通过多目标进化策略对多个适应度函数进行优化得到最优解集。最后构造融合区域信息与监督信息的最优解评价指标,实现从最优解集中选取一个最优解。实验结果表明:与已有多目标进化聚类算法相比,该算法不但分割效果有所提升,而且运行效率得以提高。(本文来源于《电子与信息学报》期刊2019年05期）
半监督谱聚类论文开题报告
（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：
半监督聚类是结合半监督学习与聚类分析而提出的新的学习方法,其在机器学习中得到了广泛的重视和应用。传统无监督聚类算法在划分数据时并不需要任何数据属性,但在实际应用中,存在少量带有独立类标签或成对约束的监督信息的数据样本,学者们致力于将这些为数不多的监督信息运用于聚类,以得到更优的聚类结果,从而提出了半监督聚类。文中主要介绍了半监督聚类的理论基础和算法思想,并对半监督聚类的最新研究进展进行了综述。首先,对半监督学习的研究现状和分类进行了概述,并将生成式半监督学习、半监督SVM、基于图的半监督学习和协同训练这4种分类方法进行了对比;其次,针对半监督学习的聚类进行了详细的描述,并对4种典型半监督聚类算法(Cop-Kmeans算法、LCop-Kmeans算法、Seeded-Kmeans算法和SC-Kmeans算法)的算法思想进行了分析和总结,同时对这4种算法的优缺点进行了评价;然后,按照基于约束的半监督聚类和基于距离的半监督聚类两种情况,分别对半监督聚类的研究现状进行了阐述;最后,探讨了半监督聚类在生物信息学、图像分割以及计算机其他领域内的应用以及未来的研究方向。文中旨在使初学者能够快速了解半监督聚类的进展,理解典型的算法思想,并在之后的实际应用中能起到一定的指导作用。
（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。
半监督谱聚类论文参考文献
[1].陶性留,俞璐,王晓莹.基于成对约束的半监督聚类方法[J].信息技术与网络安全.2019
[2].秦悦,丁世飞.半监督聚类综述[J].计算机科学.2019
[3].向思源,金应华,徐圣兵.基于功效散度和成对约束的半监督聚类算法[J].佛山科学技术学院学报(自然科学版).2019
[4].张静,李文斌,张志敏.基于半监督聚类的网络嵌入方法[J].河北工业科技.2019
[5].曹文艳,王然风,樊民强,付翔,王宇龙.基于半监督聚类的煤泥浮选泡沫图像分类方法[J].工矿自动化.2019
[6].邱宁佳,高奇,王鹏.参数自适应学习的半监督混合聚类算法[J].计算机工程与设计.2019
[7].王楠,孙善武.基于半监督聚类分析的无人机故障识别[J].计算机科学.2019
[8].段磊.基于半监督聚类的异常用户检测[D].北京邮电大学.2019
[9].朱乐为,胡恩良.半监督平衡化模糊C-means聚类[J].云南民族大学学报(自然科学版).2019
[10].赵凤,张咪咪,刘汉强.区域信息驱动的多目标进化半监督模糊聚类图像分割算法[J].电子与信息学报.2019