-
题名特征自表达和图正则化的鲁棒无监督特征选择
被引量：6
- 1
-
-
作者
陈彤
陈秀宏
-
机构
江南大学人工智能与计算机学院
-
出处
《智能系统学报》
CSCD
北大核心
2022年第2期286-294,共9页
-
基金
江苏省研究生科研与实践创新计划项目(JNKY19_074).
-
文摘
为了在揭示数据全局结构的同时保留其局部结构,本文将特征自表达和图正则化统一到同一框架中,给出了一种新的无监督特征选择(unsupervised feature selection,UFS)模型与方法。模型使用特征自表达,用其余特征线性表示每一个特征,以保持特征的局部结构;用基于L_(2,1)范数的图正则化项,在保留数据的局部几何结构的同时可以降低噪声数据对特征选择的影响;除此之外,在权重矩阵上施加了低秩约束,保留数据的全局结构。在6个不同的公开数据集上的实验表明,所给算法明显优于其他5个对比算法,表明了所提出的UFS框架的有效性。
-
关键词
特征选择
鲁棒
图拉普拉斯
特征自表达
低秩约束
无监督
L_(2
1)范数
降维
-
Keywords
feature selection
robust
graph Laplacian
feature self-representation
low-rank constraint
unsupervised
L_(2,1)-norm
dimension reduction
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名一种基于极大熵的快速无监督线性降维方法
被引量：2
- 2
-
-
作者
王继奎
杨正国
刘学文
易纪海
李冰
聂飞平
-
机构
兰州财经大学信息工程学院
西北工业大学光学影像分析与学习中心
-
出处
《软件学报》
EI
CSCD
北大核心
2023年第4期1779-1795,共17页
-
基金
国家自然科学基金(61772427,11801345)
甘肃省高等学校创新能力提升项目(2019B-97)
兰州财经大学校级重点项目(Lzufe2020B-0010,Lzufe2020B-011)。
-
文摘
现实世界中高维数据无处不在,然而在高维数据中往往存在大量的冗余和噪声信息,这导致很多传统聚类算法在对高维数据聚类时不能获得很好的性能.实践中发现高维数据的类簇结构往往嵌入在较低维的子空间中.因而,降维成为挖掘高维数据类簇结构的关键技术.在众多降维方法中,基于图的降维方法是研究的热点.然而,大部分基于图的降维算法存在以下两个问题:(1)需要计算或者学习邻接图,计算复杂度高;(2)降维的过程中没有考虑降维后的用途.针对这两个问题,提出一种基于极大熵的快速无监督降维算法MEDR. MEDR算法融合线性投影和极大熵聚类模型,通过一种有效的迭代优化算法寻找高维数据嵌入在低维子空间的潜在最优类簇结构. MEDR算法不需事先输入邻接图,具有样本个数的线性时间复杂度.在真实数据集上的实验结果表明,与传统的降维方法相比, MEDR算法能够找到更好地将高维数据投影到低维子空间的投影矩阵,使投影后的数据有利于聚类.
-
关键词
无监督学习
线性降维
邻接图
聚类
极大熵
-
Keywords
unsupervised learning
dimension reduction
adjacency graph
clustering
maximum entropy
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于F范数群组效应和谱聚类的无监督特征选择
- 3
-
-
作者
林清水
田鹏飞
张旺
-
机构
辽宁工程技术大学软件学院
辽宁工程技术大学基础教学部
-
出处
《计算机系统应用》
2024年第7期201-212,共12页
-
文摘
基于谱聚类的无监督特征选择主要涉及相关系数矩阵和聚类指示矩阵,在以往的研究中,学者们主要关注于相关系数矩阵,并为此设计了一系列约束和改进,但仅关注相关系数矩阵并不能充分学习到数据内在结构.考虑群组效应,本文向聚类指示矩阵施加F范数,并结合谱聚类以使相关系数矩阵学习更为准确的聚类指示信息,通过交替迭代法求解两个矩阵.不同类型的真实数据集实验表明文中方法的有效性,此外,实验表明F范数还可以使方法更加鲁棒.
-
关键词
无监督特征选择
谱聚类
群组效应
F范数
降维
-
Keywords
unsupervised feature selection
spectral clustering
group effect
F-norm
dimension reduction
-
分类号
TP311.13
[自动化与计算机技术—计算机软件与理论]
-
-
题名一种多局部线性模式保持的降维算法
- 4
-
-
作者
王红娟
胡海根
-
机构
河南农业职业学院
浙江工业大学计算机科学与技术学院
-
出处
《计算机应用与软件》
北大核心
2024年第8期334-344,共11页
-
基金
浙江省自然科学基金项目(LY18F030025)
河南省职业技术教育学会2020年度研究课题(2020-ZJXH-005)。
-
文摘
为了更准确地捕捉数据的局部非线性结构,提出一种基于多局部线性模式保持的降维算法。该文通过局部区域线性重构相应的数据点,利用方向导数代替一阶泰勒展开式中的梯度,降低逼近误差;利用多重线性模式表征数据点,从而更精确地描述数据的局部非线性几何特征;进一步通过最小化嵌入数据空间中的多局部线性重构误差得到嵌入结果。在4个合成数据集和6个真实数据集上实验,结果表明提出方法能够准确捕捉数据的多个非线性结构。
-
关键词
局部非线性
无监督
维数降维
线性重构
-
Keywords
Local nonlinearity
unsupervised
dimension reduction
Linear reconstruction
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名基于自编码器的网络游戏流量分类
- 5
-
-
作者
宁安安
张俊
年梅
-
机构
新疆师范大学计算机科学技术学院
中国科学院新疆理化技术研究所
-
出处
《计算机系统应用》
2023年第7期113-120,共8页
-
基金
国家重点研发计划(E1182101)。
-
文摘
加密和动态端口技术使传统的流量分类技术不能满足网络游戏识别的性能需求,本文提出了一种基于自编码器降维的端到端流量分类模型,实现网络游戏流量的准确识别.首先将原始流量预处理成784 B的一维会话流向量,利用编码器进行无监督降维,去除无效特征;接着探索构建卷积神经网络与LSTM网络并联算法,对降维后的样本进行空间和时序特征的提取和融合,最后利用融合特征进行分类.在自建的游戏流量数据集和公开数据集上测试,本文模型在网络游戏流量识别方面达到了97.68%的准确率;与传统端到端的网络流量分类模型相比,本文所设计的模型更加轻量化,具有实用性,并且能够在资源有限的设备中方便部署.
-
关键词
网络游戏流量分类
自编码器
无监督降维
卷积神经网络
LSTM网络
-
Keywords
online game traffic classification
autoencoder
unsupervised dimension reduction
convolutional neural network(CNN)
LSTM network
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名图像的扩散界面无监督聚类算法
被引量：4
- 6
-
-
作者
王成章
白晓明
杜金栗
-
机构
中央财经大学统计与数学学院
首都经济贸易大学信息学院
-
出处
《计算机科学》
CSCD
北大核心
2020年第5期149-153,共5页
-
基金
国家自然科学基金(71571197)
北京市自然科学基金(9152016)。
-
文摘
图像的无监督聚类就是基于图像数据,在无任何先验信息的情况下将整个图像集合划分成若干子集的过程。由于图像的本征维度很高,在图像处理中会遇到“维数灾难”问题。针对图像无监督聚类的特点,提出了一种图像的扩散界面无监督聚类算法,将图像编码成高维观测空间中的点,再通过投影变换映射到低维特征空间,在低维特征空间中构建扩散界面无监督聚类模型,并在模型中引入维度约简算子,采用循环迭代算法优化扩散界面模型的能量函数。基于最优的扩散界面,将整个图像集合聚类成不同的子集。实验结果表明,扩散界面无监督聚类算法优于传统聚类算法中的K-means算法、DBSCAN算法和Spectral Clustering算法,能够更好地实现图像的无监督聚类,在相同条件下具有更高的准确度。
-
关键词
扩散界面
无监督学习
图像聚类
维度约简
最优化
-
Keywords
Diffuse interface
unsupervised learning
Image clustering
dimension reduction
Optimization
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于核主成分分析的空域复杂度无监督评估
被引量：3
- 7
-
-
作者
张瞩熹
朱熙
朱少川
张明远
杜文博
-
机构
北京航空航天大学综合交通大数据应用技术国家工程实验室
中国人民解放军
北京航空航天大学前沿科学技术创新研究院
北京航空航天大学交通科学与工程学院
北京航空航天大学电子信息工程学院
-
出处
《航空学报》
EI
CAS
CSCD
北大核心
2019年第8期236-242,共7页
-
基金
国家杰出青年科学基金(61425014)
国家优秀青年科学基金(61722102)
国家自然科学基金(61671031)~~
-
文摘
空域复杂度评估作为衡量空域运行态势、管制员工作压力的关键手段,是运行调控的基础。由于影响因素众多,不同因素间耦合关联复杂,且标定样本很难获取,空域复杂度的准确评估被公认为航空领域的一个挑战性问题。提出了一种空域复杂度的无监督评估方法。首先通过核主成分分析挖掘原始样本各维度的非线性耦合关系,准确提取能够最大化复杂度评估信息量的主成分,进一步设计了可按需定制的主成分聚类方法,实现了无监督条件下空域复杂度的准确评估,为空域划分、流量管理提供了有效的技术支撑。
-
关键词
空域复杂度
空域运行态势
无监督
核主成分分析
降维
聚类
-
Keywords
airspace complexity
airspace operation situation
unsupervised learning
kernel principal component analysis
dimension reduction
clustering
-
分类号
V355.1
[航空宇航科学与技术—人机与环境工程]
-
-
题名正交约束的无监督统计不相关最佳鉴别平面
- 8
-
-
作者
曹苏群
王骏
王士同
-
机构
江南大学信息学院
淮阴工学院机械工程学院
南京理工大学计算机科学与技术学院
-
出处
《计算机工程与科学》
CSCD
北大核心
2010年第5期34-36,153,共4页
-
基金
国家863计划资助项目(2007AA1Z158)
国家自然科学基金重点项目(60773206
+4 种基金
60704047)
江苏省高校自然科学重大基础研究资助项目(09KJA460001)
江苏省高校自然科学重大基础研究资助项目(09KJA460001)
淮安市国际科技合作项目(HG004)
淮阴工学院青年科技基金资助项目(HGQN0701)
-
文摘
赵海涛等提出的改进的最佳鉴别平面(IODP)只能用于有监督模式,基于此,本文提出将IODP扩展到无监督模式下的方法。在优化模糊Fisher准则求取第一条最佳鉴别矢量的基础上,求取同时满足正交约束与模糊总体散布矩阵共轭正交约束的第二条最佳鉴别矢量,构成正交约束的无监督统计不相关最佳鉴别平面(OUUODP),进而获得一种新的无监督特征抽取方法。对CMU-PIE人脸数据库进行实验,结果表明,当类别差异较大时,该方法能够抽取有利于分类的特征,获得了优于主成分分析与独立成分分析方法的性能。
-
关键词
无监督模式
特征降维
最佳鉴别平面
人脸识别
-
Keywords
unsupervised pattern
feature dimension reduction
optimal discriminant plane
face recognition
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
