在這個(gè)信息爆炸的時(shí)代,處理與分析大規(guī)模的高維數(shù)據(jù)已經(jīng)成為數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)領(lǐng)域的重大挑戰(zhàn)之一。為了獲取以及直觀理解隱藏在大數(shù)據(jù)下的潛在信息,一種有效的數(shù)據(jù)可視化技術(shù)是不可或缺的。數(shù)據(jù)可視化技術(shù)能夠?qū)?fù)雜的高維數(shù)據(jù)信息展示在低維的圖表上。根據(jù)低維的數(shù)據(jù)圖表,我們能夠?qū)υ紨?shù)據(jù)的結(jié)構(gòu)信息有一個(gè)直觀地理解,而且有助于后續(xù)的數(shù)據(jù)探索與模式識(shí)別。在一些傳統(tǒng)的數(shù)據(jù)可視化算法的基礎(chǔ)上,本文做了如下工作:（1）提出了基于ANNOY的快速近鄰搜索算法。該算法在隨機(jī)投影樹的基礎(chǔ)上通過近鄰?fù)卣沟姆椒ㄟM(jìn)行近鄰點(diǎn)的搜索,在保證近鄰搜索準(zhǔn)確率的基礎(chǔ)上大大提升了近鄰搜索的速度。（2）提出了基于近鄰關(guān)系與類別信息的概率重構(gòu)算法。該算法首先通過近鄰?fù)卣沟姆椒?gòu)建近鄰關(guān)系圖,然后基于近鄰關(guān)系與類別信息對(duì)原始數(shù)據(jù)樣本之間的相似性進(jìn)行概率重構(gòu)。該算法可以更為準(zhǔn)確的描述高維數(shù)據(jù)樣本之間的相似關(guān)系。（3）提出了基于P-BGLL的可視化算法。該算法在BGLL算法的基礎(chǔ)上,使用概率作為空間中樣本之間的連接權(quán)值,從而提出了P-BGLL算法,并基于P-BGLL算法進(jìn)行可視化操作。相比于傳統(tǒng)的數(shù)據(jù)可視化算法,基于P-BGLL的數(shù)據(jù)可視化算... 

【文章頁(yè)數(shù)】：105 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題的研究背景和意義
    1.2 國(guó)內(nèi)外研究的現(xiàn)狀
        1.2.1 線性降維可視化算法
        1.2.2 非線性降維可視化算法
        1.2.3 數(shù)據(jù)可視化的應(yīng)用
        1.2.4 算法小結(jié)
    1.3 相關(guān)工作回顧
        1.3.1 聚類算法
        1.3.2 復(fù)雜網(wǎng)絡(luò)聚類
        1.3.3 卷積神經(jīng)網(wǎng)絡(luò)
    1.4 主要工作與章節(jié)安排
第二章 基于樹結(jié)構(gòu)的隨機(jī)近鄰嵌入算法
    2.1 基于學(xué)生T分布的隨機(jī)近鄰嵌入算法(t-SNE)
    2.2 基于樹結(jié)構(gòu)的隨機(jī)近鄰嵌入算法(Accelerating t-SNE)
        2.2.1 高維空間中概率矩陣的近似求解
        2.2.2 基于樹結(jié)構(gòu)的梯度優(yōu)化
    2.3 Accelerating t-SNE算法的不足
    2.4 本章小結(jié)
第三章 基于ANNOY的快速近鄰搜索與概率重構(gòu)算法
    3.1 近鄰搜索
        3.1.1 ANNOY搜索算法
        3.1.2 基于ANNOY的快速近鄰搜索
    3.2 概率重構(gòu)
        3.2.1 基于近鄰關(guān)系的概率重構(gòu)
        3.2.2 基于類別信息的概率重構(gòu)
        3.2.3 概率重構(gòu)具體計(jì)算方法
        3.2.4 概率重構(gòu)的總結(jié)
    3.3 算法總結(jié)
    3.4 本章小結(jié)
第四章 基于無監(jiān)督學(xué)習(xí)的概率重構(gòu)與數(shù)據(jù)可視化
    4.1 聚類算法的選擇
    4.2 P-BGLL聚類算法
    4.3 基于P-BGLL的數(shù)據(jù)可視化算法
    4.4 本章小結(jié)
第五章 基于有監(jiān)督學(xué)習(xí)的概率重構(gòu)與數(shù)據(jù)可視化
    5.1 特征提取
    5.2 Feature-Net
        5.2.1 Feature-Net網(wǎng)絡(luò)
        5.2.2 基于分類結(jié)果進(jìn)行概率重構(gòu)
    5.3 基于Feature-Net的數(shù)據(jù)可視化算法
    5.4 本章小結(jié)
第六章 實(shí)驗(yàn)結(jié)果與分析
    6.1 實(shí)驗(yàn)相關(guān)數(shù)據(jù)集
        6.1.1 MNIST數(shù)據(jù)集
        6.1.2 CIFAR-10 數(shù)據(jù)集
        6.1.3 SVHN數(shù)據(jù)集
    6.2 實(shí)驗(yàn)設(shè)置與評(píng)價(jià)標(biāo)準(zhǔn)
        6.2.1 實(shí)驗(yàn)設(shè)置
        6.2.2 評(píng)價(jià)標(biāo)準(zhǔn)
    6.3 基于ANNOY的快速近鄰搜索的實(shí)驗(yàn)結(jié)果與分析
    6.4 P-BGLL算法與BGLL算法的可視化實(shí)驗(yàn)結(jié)果對(duì)比與分析
    6.5 基于P-BGLL的可視化算法的實(shí)驗(yàn)結(jié)果與分析
        6.5.1 MNIST數(shù)據(jù)集實(shí)驗(yàn)結(jié)果與分析
        6.5.2 CIFAR-10 數(shù)據(jù)集實(shí)驗(yàn)結(jié)果與分析
        6.5.3 SVHN數(shù)據(jù)集實(shí)驗(yàn)結(jié)果與分析
    6.6 基于Feature-Net的可視化算法的實(shí)驗(yàn)結(jié)果與分析
        6.6.1 MNIST數(shù)據(jù)集實(shí)驗(yàn)結(jié)果與分析
        6.6.2 CIFAR-10 數(shù)據(jù)集實(shí)驗(yàn)結(jié)果與分析
        6.6.3 SVHN數(shù)據(jù)集實(shí)驗(yàn)結(jié)果與分析
        6.6.4 Feature-Net網(wǎng)絡(luò)與常見網(wǎng)絡(luò)結(jié)構(gòu)的實(shí)驗(yàn)對(duì)比與分析
    6.7 實(shí)驗(yàn)結(jié)果總結(jié)
    6.8 本章小結(jié)
第七章 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間已發(fā)表或錄用的論文


【參考文獻(xiàn)】：
期刊論文
[1]基于t-SNE的電力系統(tǒng)電氣距離可視化方法研究[J]. 史東宇,胡文強(qiáng),李剛,嚴(yán)劍峰,臧德春.  電力工程技術(shù). 2018(02)
[2]DEEPEYE: An Automatic Big Data Visualization Framework[J]. Xuedi Qin,Yuyu Luo,Nan Tang,Guoliang Li.  Big Data Mining and Analytics. 2018(01)
[3]大數(shù)據(jù)可視分析綜述[J]. 任磊,杜一,馬帥,張小龍,戴國(guó)忠.  軟件學(xué)報(bào). 2014(09)
[4]復(fù)雜網(wǎng)絡(luò)中的社團(tuán)結(jié)構(gòu)算法綜述[J]. 汪小帆,劉亞冰.  電子科技大學(xué)學(xué)報(bào). 2009(05)



本文編號(hào)：3719801