隨著科學技術的日新月異,現(xiàn)今人們獲取數(shù)據(jù)的能力也越來越強,所獲取的數(shù)據(jù)往往具有規(guī)模大、維度高、多視角和多樣化等特征,如何從數(shù)據(jù)中分析出有意義、有價值的信息尤為顯得重要。對數(shù)據(jù)的分析,需要揭示數(shù)據(jù)中內(nèi)在的復雜性和真實維度,并且能覆蓋數(shù)據(jù)的全局和局部結(jié)構特征,而子空間表示算法恰好能夠從高維數(shù)據(jù)中挖掘出數(shù)據(jù)潛在的低維數(shù)據(jù)結(jié)構特征,是一種有效的處理高維數(shù)據(jù)的方法。近年來,子空間表示的相關問題已成為學者們的研究熱點,比如基于稀疏表示、低秩表示和Frobenius范數(shù)約束的子空間表示算法等,在分析高維和多視角數(shù)據(jù)時都取得了一定的成效,但是,該類算法仍然存在對數(shù)據(jù)的挖掘不夠深入和應用不夠廣泛的問題。對于多視角數(shù)據(jù),現(xiàn)有的多視角子空間聚類算法,在協(xié)調(diào)利用所有視角的數(shù)據(jù)信息時,仍然存在不足,從而,造成算法的性能不夠好。此外,社區(qū)網(wǎng)絡數(shù)據(jù)也是一種復雜的高維數(shù)據(jù),在本文中進一步將子空間表示應用于分析社區(qū)網(wǎng)絡數(shù)據(jù)。在每個社區(qū)中的節(jié)點可以看成是在測地線空間中張成的一個子空間,目前對基于子空間表示的社區(qū)檢測算法研究依然不夠充分,而已有的相關算法對網(wǎng)絡中的噪聲很敏感,缺乏準確學習社區(qū)結(jié)構的能力。針對上述問題,本文的... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

LRR算法自動糾正數(shù)據(jù)中錯誤的能力驗證Fig2.2TheabilityofLRRalgorithmtoautomaticallycorrecterrorsindata

安徽大學碩士學位論文37第五，驗證參數(shù)設置對算法性能的影響。MVSS用參數(shù)和平衡數(shù)據(jù)表示矩陣和相似性矩陣。我們測試隨著兩個參數(shù)的變化，用S和Z*構建的兩個圖的聚類性能。為了方便起見，我們隨機的選取了在數(shù)據(jù)集Handwrittennumerals(HW)上實驗，近鄰數(shù)k根據(jù)之前做實驗的經(jīng)驗設置為6，參數(shù)和設置的范圍為{0.1,5,10,20,50}。在圖3.3，(a)和(b)展示了用圖G1聚類，其評價指標ACC和NMI的隨著參數(shù)變化而變化的情況，(c)和(d)展示了用圖G2聚類，其評價指標ACC和NMI的變化情況。從圖(a)和(b)中可以看出，當用圖G1且參數(shù)=0.1時，評價指標值相對較低，除此之外，當參數(shù)設置在一個較大的范圍變化時，實驗結(jié)果都非常穩(wěn)定。將(a)(b)和(c)(d)相比較，圖(a)(b)對參數(shù)更加敏感，這也證明了我們算法中使用數(shù)據(jù)表示矩陣和相似性矩陣構建的圖更加魯棒，對于高維數(shù)據(jù)中潛在的低維數(shù)據(jù)結(jié)構學習的效果更好。圖3.3MVSC算法參數(shù)的變化對聚類結(jié)果的影響Fig3.3TheinfluenceofMVSCalgorithmparametersonclusteringresults

第四章基于魯棒子空間表示的社區(qū)檢測40高的節(jié)點更傾向于聚類到同一個社區(qū)中；第二步，用S作為數(shù)據(jù)輸入，應用于子空間表示的相關聚類模型中，學習網(wǎng)絡的低維數(shù)據(jù)結(jié)構，像SSCF[48]和LRSCD[49]算法就是分別學習數(shù)據(jù)的稀疏和低秩表示；第三步，將子空間表示矩陣和鄰接矩陣A融合，再聚類劃分出網(wǎng)絡中的社區(qū)。圖4.1基于子空間聚類的社區(qū)檢測算法概述Fig4.1Anoverviewofcommunitydetectionalgorithmbasedonsubspaceclustering4.3算法實現(xiàn)這部分將介紹我們提出的算法的具體實現(xiàn)，首先是對原始網(wǎng)絡數(shù)據(jù)的處理，接著，將網(wǎng)絡社區(qū)數(shù)據(jù)表示應用到自加權的魯棒子空間表示算法中，學習數(shù)據(jù)的低維子空間表示，最后，總結(jié)算法實現(xiàn)的關鍵步驟。4.3.1網(wǎng)絡數(shù)據(jù)處理已知給定網(wǎng)絡G，共有n個節(jié)點，m個連接，則其可用鄰接矩陣Ann表示，如果兩個節(jié)點iv和jv之間有邊連接，則對應鄰接矩陣A(i,j)1，否則，A(i,j)0。鄰接矩陣A的每一列都記錄著相應節(jié)點與其他節(jié)點之間的關系，比如，鄰接矩陣A中第i列向量Ai表示：第i個節(jié)點vi與其他所有節(jié)點是否有聯(lián)系。很好的刻畫了iv這個節(jié)點的與其他節(jié)點的直接關系，但對于距離超過一個連接的節(jié)點數(shù)據(jù)來說，用鄰接矩陣A就不能描述它們之間的聯(lián)系了。如果單純的用鄰接矩陣來刻畫數(shù)據(jù)的結(jié)構，對于有直接連線數(shù)據(jù)對來說是很準確的，但是如果想要刻畫整體數(shù)據(jù)的結(jié)構，還需要進一步的進行轉(zhuǎn)換�；谝呀�(jīng)獲得的網(wǎng)絡數(shù)據(jù)的鄰接矩陣，計算節(jié)點間的測地線距離。測地線距離是表示兩個節(jié)點間的最短路徑，因為這里我們用的是不加權的網(wǎng)絡，所以，測地線距離就是兩個節(jié)點間的最短路徑上的連接數(shù)。目前有許多快速計算測地線距離的算法[23]，能高效地進行計算。用矩陣Pnn表示我們計算得到的測地線距離矩陣，對于矩陣P的第i列


本文編號：3298321