论文摘要
随着信息、多媒体及数字化技术的迅猛发展,高维数据时代随之到来,并已成为描述客观世界的一个有力工具,如基因的表达、视频追踪、医学图像处理、高维时间序列分析等,与此同时,传统的分类、聚类等算法已经无法应用于高维数据的处理中,因此迫切需要寻求一种数据降维方法,而流形学习的出现为高维数据降维提供了一个很好的途径。流形学习在十余年的发展历程中,在国内外众多学者的努力下,已经开始趋于成熟,并涌现出了许多值得借鉴的方法。例如:等距映射、局部线性嵌(LLE)入以及局部切空间排列(LTSA)算法等。LLE及LTSA都基于局部近似可线性化的假设而提出的非线性降维方法,在真实世界的高维数据中可以得到较好的效果。但在很多时候,局部的数据往往存在高曲率分布及噪音,而局部的方法对上述情况非常敏感,此时LLE及LTSA就无法获得正确的低维嵌入,如何解决此类问题成为流形学习研究的一个重要分支。本文主要针对以上流形学习中的重要问题提出相应的解决方法:(1)分析局部切空间的几何性质,在此基础上提出一种自适应的邻域选取方法,并将LTSA算法加以改进。(2)分析噪音及高曲率对低维空间的影响,并将噪音进行分类,提出一种抗噪能力较强的角度全局嵌入算法。(3)以LLE算法为例,对局部可线性化问题展开讨论,给出一种近似的可线性化标准,同时在源数据是稀疏分布的情况下,给出一种基于稀疏嵌入分析的降维方法。最后,实验证实了文中所提出方法的有效性。
论文目录
相关论文文献
- [1].基于分层索引的高维数据对象检索[J]. 指挥信息系统与技术 2019(06)
- [2].高维数据流异常节点动态跟踪仿真研究[J]. 计算机仿真 2020(10)
- [3].高维数据的交互式沉浸可视化——以城市生活质量数据为例[J]. 装饰 2019(06)
- [4].基于大数据的高维数据挖掘探究[J]. 通讯世界 2018(03)
- [5].智能电网中高维数据聚类方法研究[J]. 智能计算机与应用 2016(01)
- [6].浅谈高维数据变量选择现状与方法[J]. 数码世界 2016(07)
- [7].基于高维数据流的异常检测算法[J]. 计算机工程 2018(01)
- [8].大数据环境下的高维数据挖掘在入侵检测中的有效应用[J]. 电脑编程技巧与维护 2016(22)
- [9].一种高维数据流的稳健监控方法[J]. 天津职业技术师范大学学报 2016(02)
- [10].基于大数据的高维数据挖掘研究[J]. 信息与电脑(理论版) 2015(15)
- [11].浅谈高维数据挖掘的现状与方法[J]. 福建电脑 2014(07)
- [12].高维数据空间的一种网格划分方法[J]. 计算机工程与应用 2011(05)
- [13].面向精细农业的高维数据本征维数估计方法研究进展[J]. 中国科学:信息科学 2010(S1)
- [14].数学建模中的高维数据挖掘技术优化研究[J]. 计算机测量与控制 2017(09)
- [15].采用高维数据聚类的目标跟踪(英文)[J]. 红外与激光工程 2016(04)
- [16].非规则流中高维数据流典型相关性分析并行计算方法[J]. 软件学报 2012(05)
- [17].基于控制过度遗漏发现概率的高维数据流异常诊断[J]. 数理统计与管理 2020(03)
- [18].相关高维数据流在线监控方法研究[J]. 天津职业技术师范大学学报 2016(03)
- [19].高维数据挖掘技术在教学质量监控与评价的应用研究[J]. 全国商情(理论研究) 2010(11)
- [20].一种高维数据聚类遗传算法[J]. 计算机工程与科学 2010(08)
- [21].基于联合树的隐私高维数据发布方法[J]. 计算机研究与发展 2018(12)
- [22].基于正则化回归的变量选择方法在高维数据中的应用[J]. 实用预防医学 2018(06)
- [23].一种支持高维数据查询的并行索引机制[J]. 华中科技大学学报(自然科学版) 2011(S1)
- [24].矩阵奇异值分解及其在高维数据处理中的应用[J]. 数学的实践与认识 2011(15)
- [25].高维数据变量选择方法综述[J]. 数理统计与管理 2017(04)
- [26].高维数据空间索引方法的研究[J]. 电脑知识与技术 2009(16)
- [27].基于聚类融合算法的高维数据聚类的研究[J]. 电子测量技术 2008(04)
- [28].高维数据固有维数的自适应极大似然估计[J]. 计算机应用 2008(08)
- [29].基于超网络和投影降维的高维数据流在线分类算法[J]. 计算机应用与软件 2020(10)
- [30].面向高维数据的安全半监督分类算法[J]. 计算机系统应用 2019(05)