隨著數(shù)據(jù)來(lái)源的多樣化,擁有多種表達(dá)方式的多視圖數(shù)據(jù)出現(xiàn)在各個(gè)應(yīng)用場(chǎng)景中。這些多視圖數(shù)據(jù)普遍維數(shù)較高,數(shù)據(jù)量較大,并且常常缺失標(biāo)簽信息,因此,對(duì)多視圖數(shù)據(jù)以無(wú)監(jiān)督方式進(jìn)行學(xué)習(xí),分析和挖掘其中潛藏的價(jià)值信息顯得頗為重要。本文在大量閱讀和理解前人工作的基礎(chǔ)上,提出了幾種面向多視圖數(shù)據(jù)的降維與聚類算法,具體內(nèi)容如下:（1）提出了一種面向多視圖數(shù)據(jù)的近鄰結(jié)構(gòu)保持降維算法。該算法在每個(gè)視圖上構(gòu)造帶權(quán)鄰接圖來(lái)反映樣本之間的近鄰關(guān)系,并構(gòu)造任意兩個(gè)視圖間結(jié)構(gòu)相似性約束表達(dá)。在此基礎(chǔ)上,尋找聯(lián)合嵌入低維子空間,使得原高維空間樣本近鄰關(guān)系在子空間內(nèi)能夠得到保持,并且視圖間的結(jié)構(gòu)具有相似性的約束。（2）提出了一種基于多核學(xué)習(xí)的在線加權(quán)多視圖模糊聚類算法。該算法采用批處理形式,將整個(gè)數(shù)據(jù)集分割成多個(gè)數(shù)據(jù)塊進(jìn)行處理,并將前一個(gè)數(shù)據(jù)塊的聚類結(jié)果帶入下一個(gè)數(shù)據(jù)塊中作為初始值,由最后一個(gè)數(shù)據(jù)塊得到最終的聚類結(jié)果。針對(duì)每個(gè)數(shù)據(jù)塊,算法借鑒多核學(xué)習(xí)方法,充分利用不同視圖間的結(jié)構(gòu)一致性和信息互補(bǔ)性原則,同時(shí),設(shè)計(jì)出了聚類中心和聚類隸屬度的在線更新模型,為多視圖數(shù)據(jù)提供聚類劃分和視圖權(quán)重。（3）提出了兩種基于多視圖降維策略的... 

【文章來(lái)源】：南京師范大學(xué)江蘇省 211工程院校

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１多視圖數(shù)據(jù)??對(duì)多視圖數(shù)據(jù)進(jìn)行降維是多視圖研究方法中的一個(gè)層面

?是課程、教員、學(xué)生、項(xiàng)目以及職工。??在多視圖Ｗｉｎｅ數(shù)據(jù)集和Ｔｅｘａｓ數(shù)據(jù)集的視圖１上，隨機(jī)選定原空間中某一??樣本點(diǎn)并用藍(lán)色矩形表示，其最近鄰居節(jié)點(diǎn)用紅色菱形表示，剩余樣本均用綠色??表示，子空間中同樣如此。為了增強(qiáng)實(shí)驗(yàn)效果，對(duì)樣本點(diǎn)以及鄰居節(jié)點(diǎn)尺寸進(jìn)行??了放大處理。首先，取兩個(gè)數(shù)據(jù)集原始空間視圖１上前兩個(gè)維度在二維空間下的??可視化結(jié)果，如圖３．１ａ和３．２ａ所示。其次，在數(shù)據(jù)集視圖１上運(yùn)行ＭＰＶＤ算法，??將子空間維數(shù)設(shè)置為２后，得到二維空間下的可視化結(jié)果，如圖３．１ｂ和３．２ｂ所??／Ｊｎ?〇??？５－??－ｅ－?？??卜．?、．，，、＞?＊?．７－?＇？丫、？??ｌｒ?－８?－??！：?Ｈ．．，?＾??｜卜?＊?－１０－??＞１１￣ｉｔｉ＾￣＾￣￣￣＾＾．０５?０?０．０６?０．１?０．１Ｓ?０．２?０．２５?０．３?０．３５?０．４??（３）原視圖１中某鄰近兩點(diǎn)?（ｂ＞子空間內(nèi)分布??圖３．１?Ｗｉｎｅ數(shù)據(jù)集上某樣本點(diǎn)近鄰結(jié)構(gòu)分布示意圖??由圖３．１ａ可以觀察到

子空間中同樣如此。為了增強(qiáng)實(shí)驗(yàn)效果，對(duì)樣本點(diǎn)以及鄰居節(jié)點(diǎn)尺寸進(jìn)行??了放大處理。首先，取兩個(gè)數(shù)據(jù)集原始空間視圖１上前兩個(gè)維度在二維空間下的??可視化結(jié)果，如圖３．１ａ和３．２ａ所示。其次，在數(shù)據(jù)集視圖１上運(yùn)行ＭＰＶＤ算法，??將子空間維數(shù)設(shè)置為２后，得到二維空間下的可視化結(jié)果，如圖３．１ｂ和３．２ｂ所??／Ｊｎ?〇??？５－??－ｅ－?？??卜．?、．，，、＞?＊?．７－?＇？丫、？??ｌｒ?－８?－??�。�?Ｈ．．，?＾??｜卜?＊?－１０－??＞１１￣ｉｔｉ＾￣＾￣￣￣＾＾．０５?０?０．０６?０．１?０．１Ｓ?０．２?０．２５?０．３?０．３５?０．４??（３）原視圖１中某鄰近兩點(diǎn)?（ｂ＞子空間內(nèi)分布??圖３．１?Ｗｉｎｅ數(shù)據(jù)集上某樣本點(diǎn)近鄰結(jié)構(gòu)分布示意圖??由圖３．１ａ可以觀察到，原始空間Ｗｉｎｅ數(shù)據(jù)集視圖１上，用藍(lán)色矩形表示的??某樣本點(diǎn)與紅色菱形表示的最近鄰居節(jié)點(diǎn)其相對(duì)位置比較接近。在運(yùn)行ＭＰＶＤ??算法后的子空間內(nèi)，由圖３．１ｂ可以觀察到，藍(lán)色矩形表示的某樣本點(diǎn)與紅色菱??形表示的最近鄰居節(jié)點(diǎn)其相對(duì)位置也十分貼近。由于樣本點(diǎn)是隨機(jī)選取的，因此??可以判定在Ｗｉｎｅ數(shù)據(jù)集上，原空間中樣本點(diǎn)的近鄰關(guān)系在子空間中得到了保持。??４廠??３??３??２??２?ｊｊ：．??１１?”?

【參考文獻(xiàn)】：
期刊論文
[1]利用正則化矩陣分解技術(shù)的多視圖聚類方法[J]. 徐霜,余琍.  計(jì)算機(jī)工程與應(yīng)用. 2019(14)
[2]Locality preserving projection on SPD matrix Lie group: algorithm and analysis[J]. Yangyang LI,Ruqian LU.  Science China（Information Sciences）. 2018(09)
[3]基于在線聚類的協(xié)同作弊團(tuán)體識(shí)別方法[J]. 孫勇,譚文安,金婷,周亮廣.  計(jì)算機(jī)研究與發(fā)展. 2018(06)
[4]基于滑動(dòng)窗口的分布式軌跡流聚類[J]. 毛嘉莉,陳鶴,宋秋革,金澈清,周傲英.  計(jì)算機(jī)學(xué)報(bào). 2018(09)
[5]一種改進(jìn)的多視圖聚類集成算法[J]. 鄧強(qiáng),楊燕,王浩.  計(jì)算機(jī)科學(xué). 2017(01)
[6]基于多視圖融合的蛋白質(zhì)功能模塊檢測(cè)方法[J]. 張媛,賈克斌,ZHANG Aidong.  電子學(xué)報(bào). 2014(12)
[7]聯(lián)機(jī)核模糊C均值聚類方法[J]. 吳小燕,陳松燦.  系統(tǒng)工程與電子技術(shù). 2012(12)
[8]MVP:基于CCA的多視圖數(shù)據(jù)相關(guān)性預(yù)測(cè)方法[J]. 卜道成,陳飛,紀(jì)傳舜.  計(jì)算機(jī)應(yīng)用與軟件. 2011(08)

博士論文
[1]基于多視圖鑒別特征學(xué)習(xí)的分類算法[D]. 李晉.中國(guó)礦業(yè)大學(xué)(北京) 2016

碩士論文
[1]基于不完整視圖的多核譜聚類算法及分布式實(shí)現(xiàn)[D]. 張薇.西南交通大學(xué) 2018
[2]基于劃分模型的多視圖聚類算法研究[D]. 張屹然.南京師范大學(xué) 2018
[3]基于矩陣分解的多視圖降維方法研究[D]. 張曉語(yǔ).西安電子科技大學(xué) 2017
[4]基于多核學(xué)習(xí)的多視圖增量聚類模型研究[D]. 張佩瑞.西南交通大學(xué) 2017
[5]基于非負(fù)矩陣分解的多視圖聚類方法研究[D]. 石錦輝.蘭州大學(xué) 2017
[6]多視圖學(xué)習(xí)研究及其算法改進(jìn)[D]. 劉彥勛.西安電子科技大學(xué) 2015



本文編號(hào)：3223800