导读:本文包含了局部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
局部降维论文文献综述
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）
汤永清,张新红,陈虹微,王悦新[2]（2019）在《基于无参数监督核局部保持映射降维的故障诊断》一文中研究指出针对局部保持映射(LPP)应用于故障诊断存在识别精度不高的问题,提出了基于无参数监督核局部保持映射(PSKLPP)降维的故障诊断新方法。PSKLPP采用对离群数据更为鲁棒的余弦距离对LPP中的欧氏距离进行替换,并融入样本标签信息构造无参数近邻图,利用核方法将提取的高维故障特征映射到一个高维线性空间再进行降维,避免了相似矩阵计算过程中人为选择选择参数的问题,能够获得更有效的低维流形。电机轴承故障诊断的准确率达到了99.05%,相比于改进前和其他几种方法有了较大幅度提升。(本文来源于《电子测量与仪器学报》期刊2019年07期）
吴青,祁宗仙,臧博研,张昱[3]（2019）在《自适应局部稀疏线性嵌入降维算法》一文中研究指出针对局部线性嵌入近邻选取和权重矩阵奇异的问题,提出一种自适应局部稀疏线性嵌入降维算法。采用稀疏度自适应匹配追踪求解权重矩阵,利用匹配追踪的残差迭代出近邻点的权重,避免权重矩阵求解过程中引起的奇异问题。通过样本重构的残差大小,自适应地选取合适的近邻点个数,对邻域进行二次选择,保留更多的样本结构信息。实验结果表明,该算法的分类正确率均高于其他降维算法,同时也缩短了运行时间。(本文来源于《西安邮电大学学报》期刊2019年02期）
齐永锋,李发勇[4]（2019）在《基于局部保留降维卷积神经网络的高光谱图像分类算法》一文中研究指出为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱数据进行滤波,生成空间隧道信息;其次,用卷积神经网络对原始高光谱数据进行特征提取,生成光谱隧道信息;再次,融合空间隧道信息与光谱隧道信息,形成空间-光谱特征信息,并将其输入到深度卷积神经网络,提取更加有效的特征;最后,采用双重优选分类器对最终提取的特征进行分类。将本文方法与CNN、PCA-SVM、CD-CNN和CNN-PPF等算法在Indian Pines、University of Pavia高光谱遥感数据库上进行性能比较。在Indian Pines、University of Pavia数据库上,本文算法识别的整体精度比传统CNN方法的整体精度分别高3. 81个百分点与6. 62个百分点。实验结果表明,本文算法无论在分类精度还是Kappa系数都优于另外4种算法。(本文来源于《农业机械学报》期刊2019年03期）
李芳,高翔[5]（2018）在《局部线性嵌入和深度自编码网络的降维方法的比较》一文中研究指出作为非线性降维的有效算法,局部线性嵌入(Locally linear embedding)(LLE)和深度自编码网络,被广泛应用于数据挖掘、故障诊断、模式识别等多种领域。本文采用定性与定量相结合的方法,对两种算法进行了对比研究。对LLE算法的基本原理进行了简单介绍。描述了深度自编码网络的理论与模型。提供了数值实验分析,在可视化,人脸识别以及文本检索方面,对两种降维方法进行比较,得到各自适用的优缺点。(本文来源于《中国海洋大学学报(自然科学版)》期刊2018年S2期）
李文佳[6]（2017）在《基于局部特征表达和全局统计降维算法的蛋白质亚细胞定位研究》一文中研究指出蛋白质在亚细胞中的位置与其功能有着密切的关系,这使蛋白质亚细胞定位成为生物学中的一个研究热点。随着海量生物数据的发现,传统生物实验不能满足要求,计算机的高效率帮助生物学家省时、省力,使其成为蛋白质亚细胞位置预测的重要工具。本文主要工作是提出两种局部特征表达和利用全局统计降维算法分析蛋白质数据的影响,主要包括以下叁个方面。一、提出一种局部特征表达PSSM-SAA,然后与全局统计降维算法LDA相结合平衡提取的信息。PSSM-SAA基于PSSM分段分布得来,该方法首先在PSSM矩阵中利用分段思想将蛋白质序列分割成长度不等的子序列,然后提取各个子段中氨基酸的分布密度,最后PSSM-SAA使每一条蛋白质序列都可以被表示成一个1600维的特征向量。PSSM-SAA包含了蛋白质局部进化过程中各个氨基酸分布的差异性。为了减少数据冗余,使用了保留全局信息的线性判别分析(linear discriminant analysis,LDA)对 PSSM-SAA 进行数据降维。PSSM-SAA 与 LDA 相结合成一个蛋白质亚细胞定位的预测模型,这样平衡了特征表达中的局部信息与数据降维中的全局信息。实验表明经过PSSM-SAA提取的蛋白质序列局部信息,使用LDA可以对其全面、有效地降维,从而证明PSSM-SAA方法与LDA算法相结合的模型性能良好。二、在蛋白质亚细胞定位中,一般都是简单的使用降维算法来减少数据冗余,有关于降维算法对蛋白质数据影响的研究相对较少。本文针对这个问题,引入了两种针对人脸数据存在离群值、某类中心偏离问题所提出的降维算法:中值线性判别分析(median Linear discriminant Analysis,MDA)和基于中值均值线的判别分析(median-mean line based discriminant analysis,MMLDA),将它们与经典的 LDA算法作对比。实验表明MDA,MMLDA相较于LDA的结果并没有更好,可能是由于在细菌蛋白质数据中,离群值、某类中心偏离其他类中心这类问题表现的不明显。在这类数据中,我们使用经典的LDA就可以取得较好的效果,从而进一步证实PSSM-SAA方法与LDA算法相结合的模型是有效可行的。叁、本文还尝试一种包含二级结构预测信息的局部特征表达方法来预测蛋白质亚细胞位置,该方法是通过Chou-Fasman方法预测蛋白质序列中各肽段的二级结构类型得到的。实验表明这种想法还是有很大的探索空间和可能性。(本文来源于《云南大学》期刊2017-05-01）
范博翔[7]（2017）在《基于时空局部嵌入的有向网络数据降维》一文中研究指出本文基于时空局部嵌入模型(Ke Sun,2015)对有向网络进行了可视化分析(数据降维),提出了一种有效的初值选取方法,并引入了局部稀疏化和两种相似度自适应定义算法改善可视化效果。可视化作为一种数据的定性分析手段,并无统一的定量评价指标,因此,本文提出了顺序聚类算法作为可视化排序评价指标,并引入SVM算法作为可视化聚类评价指标,对可视化效果进行了定量分析。通过对人工数据集和杂志引用网络的实例分析,证明了算法的可行性,为有向网络的可视化提供了新的思路。(本文来源于《清华大学》期刊2017-05-01）
刘笑非[8]（2017）在《降维空间切片平均叁阶矩估计的局部影响分析》一文中研究指出在多元非参数回归问题中,有可能存在这样的情形:响应变量仅仅通过自变量的少数几个线性组合与自变量发生关联.在这样的情形下,找出这些自变量的线性组合可以降低回归的维数,从而带来一些回归结果的改善,比如:提高回归曲线拟合的精度、可视化,等等。各种充分降维方法的提出正是为了解决这个问题。在这些充分降维方法中,切片逆回归和切片平均方差估计方法是较为常用的两种方法。然而,当逆条件均值和逆条件方差为常量时,这两种方法均会失效。切片平均叁阶矩估计方法的提出解决了这个问题并受到了广泛的关注。这种方法的使用需要估计自变量向量的条件叁阶矩,所以,研究该方法的敏感性问题是有必要的。本文关注切片平均叁阶矩估计法下中心子空间估计量的局部影响分析。本文在切片平均叁阶矩估计法下提出的局部影响分析方法基于一个空间位移函数,该函数用于度量模型被扰动前后的中心子空间估计之间的差异。我们构建了一个切片平均叁阶矩估计法局部影响分析的基本理论框架,这个框架下的所有关键量(如:拟曲率和强影响方向)的表达式都可以获得。在此框架下,局部影响评价统计量——最强影响方向,可以通过最小化拟曲率轻易地获取,因为后者可以表示为扰动方向的一个二次型。因此,这个方法的计算负担较轻。为了评价各个样本点对中心子空间估计的影响,我们设计了一个扰动方案,并在这个扰动方案下推导出了拟曲率和最强影响方向的具体表达式。为了说明本文所提出的上述方法,我们将其应用于一组模拟数据,该数据从一个经典的模型中产生,该模型中自变量向量的逆条件均值和逆条件方差均为常量。在这个模型下,切片平均叁阶矩估计表现良好,而切片逆回归和切片平均方差估计方法均失效。模拟结果显示,本文提出的局部影响分析方法可以成功地识别出人为设置的异常点,此外,模拟结果还展示出了一些有趣的新发现。(本文来源于《云南财经大学》期刊2017-05-01）
马宇[9]（2017）在《基于高维空间的非线性降维的局部线性嵌入LLE方法》一文中研究指出本文对于数据处理过程中常用的一些降维方法做了简单的分析介绍。首先,介绍了降维的主要概念以及数学定义,其中涉及到特征值问题以及优化问题,对于给定的一个高维空间数据集,对数据进行降维目的是将原来的高维空间进行压缩映射到低维空间当中,并且保持原始高维数据集的主要性质不变。当然,这其中还伴随着某些特征值问题。本文的主要任务之一是探索如何解决这些降维问题与优化问题,以及将高维数据如何可视化的研究;局部线性嵌入LLE方法是这篇文章主要研究的内容,并通过与线性降维方法的实例分析比较,从而分析了 LLE方法的优点及不足,且分析比较可以证明在实际应用中非线性降维还是很具实际意义的。本文的主要一个任务就是如何解决LLE方法其中存在的不足,并提出相应的改良方法。以下是提出了两种改进的LLE算法,对其参数的选择做出了一些改进,并且根据LLE方法不适用于稀疏非均匀数据集等的缺点,在方法优化中引入了加权矩阵的加权LLE方法,从而减小了方法的不适用性以及可适用性。此外,在样本点之间的距离应用测地距离而不是欧几里得距离来找到k个近邻的样本采集点,并通过公式验证了改进算法的可行性,以及此方法的有效性和实用性。(本文来源于《西南交通大学》期刊2017-05-01）
赵孝礼[10]（2017）在《全局与局部特征信息融合的旋转机械故障数据集降维方法研究》一文中研究指出1故障诊断是保障机械设备安全运行的有效手段之一。为获取更加准确、有效的诊断结果,就需提取出有价值的设备信息。因此,如何有效地挖掘出真实反映故障信息的数据已成为当今故障诊断的研究热点。众所周知,机械故障诊断一般被分为叁步:信号采集与处理,故障的特征表达与模式识别。数据降维又是特征表达中的关键一步,它可减轻后续故障模式识别的压力,提取出本质的故障信息。研究表明,数据的全局与局部信息对于降维与分类都是有益的。从信息提取的角度出发,传统的降维算法如PCA、LDA、LPP等,大多是从单一的全局或局部信息角度出发,并不能兼顾全局与局部信息的提取,导致降维与分类效果不佳。针对上述问题,为了使得故障信息保持的更加完善与故障诊断效果更高,本文全局与局部兼顾提取的故障特征集降维工作主要包含以下内容:1)从数据的保持结构角度出发,在对比分析了全局数据降维方法和局部数据降维方法的基础上,阐述了全局与局部信息对数据降维的重要性。2)当训练样本不足时,局部信息比全局信息更为重要。为此,提出一种正则化核最大边界投影(Regularized Kernel Maximum Margin Projection,RKMMP)局部信息的滚动轴承故障数据集维数约简方法。该方法首先利用RKMMP对故障样本集进行降维,然后将降维后的低维敏感特征子集输入到核极限学习机分类器中进行故障识别。滚动轴承故障模拟实验表明:该方法在一定程度上能提升故障诊断的泛化能力与识别精度。3)针对传统数据降维方法无法兼顾保持全局特征信息与局部判别信息的问题,提出一种全新的核主元分析(KPCA)和正交化局部敏感判别分析(OLSDA)相结合的转子故障数据降维方法。该方法首先利用KPCA算法最大程度地保留原始数据全局非线性信息的作用;然后利用OLSDA算法充分挖掘出数据的局部流形结构信息。转子实验表明:该方法能够全面地提取出全局与局部判别信息,使故障分类更清晰、相应地识别准确率得到了明显提升。4)降维的目的是为了保持更全面的故障信息,使故障诊断结果更精确。但KPCA-OLSDA联合降维的方法在一定程度上增加了算法的复杂度,为尽可能多地保持数据的内在全局与局部信息,提出了一种全局与局部的局部敏感判别分析(Global and Local Locality Sensitive Discriminant Analysis,GLLSDA)维数约简的故障诊断方法。首先,方法从振动信号中提取出多域、多通道的统计特征参数,构建高维故障特征数据集;然后,利用所提的GLLSDA对故障数据集进行维数约简,提取出低维敏感的特征子集。最后,将低维特征输入WKNN分类器中进行故障诊断。转子系统实验数据验证了新方法的有效性。(本文来源于《兰州理工大学》期刊2017-04-20）
局部降维论文开题报告
（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：
针对局部保持映射(LPP)应用于故障诊断存在识别精度不高的问题,提出了基于无参数监督核局部保持映射(PSKLPP)降维的故障诊断新方法。PSKLPP采用对离群数据更为鲁棒的余弦距离对LPP中的欧氏距离进行替换,并融入样本标签信息构造无参数近邻图,利用核方法将提取的高维故障特征映射到一个高维线性空间再进行降维,避免了相似矩阵计算过程中人为选择选择参数的问题,能够获得更有效的低维流形。电机轴承故障诊断的准确率达到了99.05%,相比于改进前和其他几种方法有了较大幅度提升。
（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。
局部降维论文参考文献
[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].汤永清,张新红,陈虹微,王悦新.基于无参数监督核局部保持映射降维的故障诊断[J].电子测量与仪器学报.2019
[3].吴青,祁宗仙,臧博研,张昱.自适应局部稀疏线性嵌入降维算法[J].西安邮电大学学报.2019
[4].齐永锋,李发勇.基于局部保留降维卷积神经网络的高光谱图像分类算法[J].农业机械学报.2019
[5].李芳,高翔.局部线性嵌入和深度自编码网络的降维方法的比较[J].中国海洋大学学报(自然科学版).2018
[6].李文佳.基于局部特征表达和全局统计降维算法的蛋白质亚细胞定位研究[D].云南大学.2017
[7].范博翔.基于时空局部嵌入的有向网络数据降维[D].清华大学.2017
[8].刘笑非.降维空间切片平均叁阶矩估计的局部影响分析[D].云南财经大学.2017
[9].马宇.基于高维空间的非线性降维的局部线性嵌入LLE方法[D].西南交通大学.2017
[10].赵孝礼.全局与局部特征信息融合的旋转机械故障数据集降维方法研究[D].兰州理工大学.2017