隨著技術(shù)和硬件的進(jìn)步,數(shù)據(jù)收集變得更加容易,數(shù)據(jù)庫規(guī)模越來越大,復(fù)雜性越來越高,人類面臨的一大問題就是如何在復(fù)雜的高維數(shù)據(jù)中得到有用的信息。眾所眾知,人眼能識別的可視化范圍也是三維坐標(biāo)空間系,所以高維數(shù)據(jù)對人類是陌生的。而解決這一問題的關(guān)鍵就是降維可視化技術(shù)。降維可視化技術(shù)作為一種將知識具現(xiàn)給人們,卻將信息知識的決策權(quán)交給人類,是機器學(xué)習(xí)算法和人類認(rèn)知和經(jīng)驗有效結(jié)合。本文提出了一種新的基于最優(yōu)質(zhì)量傳輸理論的高維數(shù)據(jù)降維可視化算法,結(jié)合了質(zhì)量驅(qū)動的拓?fù)涓兄�骨架提取算法。本文在該骨架提取算法的基礎(chǔ)上進(jìn)行改進(jìn),使其適用于高維數(shù)據(jù)的骨架提取和指定數(shù)量的輸出骨架。對于高維數(shù)據(jù)降維算法,本文將高維和低維的數(shù)據(jù)抽象為高斯分布的概率矩陣,并采用對稱SNE的思想,使概率矩陣的對角相等,避免離群點的懲罰值過大,之后使用Wasserstein距離代替KL散度作為能量函數(shù),并在能量函數(shù)之后添加保持全局距離的正則項,使本文的降維算法更加注重于離群點的距離和維持全局的基本形狀。本文的可視化方法讓降維算法和骨架提取算法互相配合,意圖達(dá)到讓骨架來幫助用戶更好的理解分類,同時保證全局距離的降維算法使用戶更好理解全局...

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3.1高維數(shù)據(jù)骨架提取算法流程圖

重慶郵電大學(xué)碩士學(xué)位論文第3章基于最優(yōu)傳輸?shù)母呔S數(shù)據(jù)可視化241.對原始點集進(jìn)行隨機采樣，得到新的采樣點集，然后對原始點集進(jìn)行質(zhì)量分配，同時保證兩個點集的總質(zhì)量相同。2.基于最優(yōu)質(zhì)量傳輸?shù)湛s采樣點。每次迭代過程先計算最優(yōu)傳輸方案，然后根據(jù)最優(yōu)傳輸方案將采樣點移動到點集質(zhì)量重心....

圖3.2高維數(shù)據(jù)降維算法流程圖

重慶郵電大學(xué)碩士學(xué)位論文第3章基于最優(yōu)傳輸?shù)母呔S數(shù)據(jù)可視化29圖3.2高維數(shù)據(jù)降維算法流程圖3.3.2對稱SNE與SNE相比，對稱SNE采用KL散度的發(fā)散形式如公式來最小化最小化高維空間中聯(lián)合概率分布P和低維空間中聯(lián)合概率分布Q。logijijijijpCKLPQpq(3.5)再....

效果圖(b)三維數(shù)據(jù)點和骨架點可視化

重慶郵電大學(xué)碩士學(xué)位論文第4章實驗結(jié)果與分析35Mdcs骨架提取算法后的結(jié)果，圖中使用的可視化方法是帶質(zhì)量的骨架圖和原始數(shù)據(jù)散點圖結(jié)合的方式可視化，骨架點越大代表骨架點的質(zhì)量越大。圖4.1(c)是使用本文的基于最優(yōu)傳輸?shù)慕稻S算法，降維之后的結(jié)果，該圖并沒有采用圖4.1(b)的可視....

圖4.1Wolf數(shù)據(jù)的原始效果和降維之后的效果圖

重慶郵電大學(xué)碩士學(xué)位論文第4章實驗結(jié)果與分析35Mdcs骨架提取算法后的結(jié)果，圖中使用的可視化方法是帶質(zhì)量的骨架圖和原始數(shù)據(jù)散點圖結(jié)合的方式可視化，骨架點越大代表骨架點的質(zhì)量越大。圖4.1(c)是使用本文的基于最優(yōu)傳輸?shù)慕稻S算法，降維之后的結(jié)果，該圖并沒有采用圖4.1(b)的可視....

本文編號：3932778