近年來,大數據話題備受人們關注。大數據不局限于數據量之大,而在于隱藏在數據背后的數據價值。如何挖掘大數據中存在的規(guī)律,為人們提供有價值的信息,是大數據研究領域面臨的挑戰(zhàn)之一。為在給定的數據樣本上準確地進行推理和預測,需要找到數據合適的特征表示,從而有效地對數據的底層結構進行建模。模型應能反映簡潔的全局結構,捕捉數據的表現(xiàn),并對噪聲具有較強的穩(wěn)健性。尋求數據特征表示的前提是現(xiàn)實世界中的大多數數據具有各自豐富而特有的結構,而如果數據分布是任意的,那么特征表示學習將是不可行的。同時,現(xiàn)實中采樣的數據總是有限而且通常含有噪聲,這就需要解決如何選擇和設計合適的模型和正則化技術。本文通過結合圖嵌入,低秩分析,自表示學習,類內與類間關系方法,以描述樣本關系為核心,提出了兩種無監(jiān)督特征表示學習方法和一種監(jiān)督特征表示學習方法,并將其應用在模擬數據、圖像數據和生物數據中。通過與最先進的方法對比,驗證了本文提出的特征表示方法的有效性。本文主要工作包含以下幾個方面:1.提出基于低秩圖優(yōu)化的多視角數據維數約簡（Low-Rank Graph Optimiza-tion for Multi-View Dimensi... 

【文章來源】：東北師范大學吉林省 211工程院校 教育部直屬院校

【文章頁數】：106 頁

【學位級別】：博士

【部分圖文】：

圖１．１從線性流形中采樣的噪聲數據點

?東北師范大學博士學位論文???＇￣?）￣?ｆ??Ｃ＝Ｃ＞?ｉＳｉ?翻?＾??ｓ？?Ｓ?￡＜２＞??ｃ＝ｊ＞?：：．ｕ：?ｍｉ?＝?＾：ｒ：：；；：：?＋?，?■??５＜？？）?￡＜ｗ）??Ｈ＇ｌｉｌＵＨｆｉ?ＨｌｌｌＯｌｉｎ??Ａ（ｍ）?［＞?■！，?＾??Ｓ＇＂?＝（Ｄｕ，ｙ＇Ａ１＂????ｖ?／???＼?／?＼?ｙ??Ｓｉｍｉｌａｒｉｔｙ?Ｎｏｒｍａｌｉｚａｔｉｏｎ?Ｗｅｉｇｈｔ?Ｓｈａｒｅｄ?ｇｒａｐｈ?Ｅｒｒｏｒ??ｍａｔｒｉｘ?ｍａｔｒｉｘ?ｖｅｃｔｏｒ?ｍａｔｒｉｘ?ｍａｔｒｉｘ??圖３．１共享圖矩陣構造概述??要求誤差矩陣小且稀疏。其公式如下：??ｍ??ｍｉｎ?Ｖ?｜｜５?－?（Ｓ｛ｉ）?－?Ｅ＾）＼＼ｌ?＋?，ｌ｜｜￡＜／）｜｜ｉ??Ｓ＇ＥＵ）?７￣ｉ?（３．３）??ｓ．ｔ．?５?＞?０，５１?＝?１，??其中，Ａ是非負權衡參數，Ｇ范數用來保證稀疏。約束２?０，?ＳＩ?＝?１強制??Ｓ非負且行求和為１，這也可以理解為４概率分布，表示一個樣本點作為另外一＊??個樣本點近鄰的概率。??（ａ）?ｉｄｅａｌ?ｓｉｍｉｌａｒｉｔｙ?ｍａｔｒｉｘ?（ｂ）?ｓｉｍｉｌａｒｉｔｙ?ｍａｔｒｉｘ?ｗｉｔｈ?ｎｏｉｓｅ?ａｎｄ?ｏｕｔｌｉｅｒｓ??圖３．２相似矩陣的例子。零值的元素用白色表示，非零值的元素用藍色表示??２２??

?東北師范大學博士學位論文???＇￣?）￣?ｆ??Ｃ＝Ｃ＞?ｉＳｉ?翻?＾??ｓ？?Ｓ?￡＜２＞??ｃ＝ｊ＞?：：．ｕ：?ｍｉ?＝?＾：ｒ：：；；：：?＋?，?■??５＜？？）?￡＜ｗ）??Ｈ＇ｌｉｌＵＨｆｉ?ＨｌｌｌＯｌｉｎ??Ａ（ｍ）?［＞?■！，?＾??Ｓ＇＂?＝（Ｄｕ，ｙ＇Ａ１＂????ｖ?／???＼?／?＼?ｙ??Ｓｉｍｉｌａｒｉｔｙ?Ｎｏｒｍａｌｉｚａｔｉｏｎ?Ｗｅｉｇｈｔ?Ｓｈａｒｅｄ?ｇｒａｐｈ?Ｅｒｒｏｒ??ｍａｔｒｉｘ?ｍａｔｒｉｘ?ｖｅｃｔｏｒ?ｍａｔｒｉｘ?ｍａｔｒｉｘ??圖３．１共享圖矩陣構造概述??要求誤差矩陣小且稀疏。其公式如下：??ｍ??ｍｉｎ?Ｖ?｜｜５?－?（Ｓ｛ｉ）?－?Ｅ＾）＼＼ｌ?＋?，ｌ｜｜￡＜／）｜｜ｉ??Ｓ＇ＥＵ）?７￣ｉ?（３．３）??ｓ．ｔ．?５?＞?０，５１?＝?１，??其中，Ａ是非負權衡參數，Ｇ范數用來保證稀疏。約束２?０，?ＳＩ?＝?１強制??Ｓ非負且行求和為１，這也可以理解為４概率分布，表示一個樣本點作為另外一＊??個樣本點近鄰的概率。??（ａ）?ｉｄｅａｌ?ｓｉｍｉｌａｒｉｔｙ?ｍａｔｒｉｘ?（ｂ）?ｓｉｍｉｌａｒｉｔｙ?ｍａｔｒｉｘ?ｗｉｔｈ?ｎｏｉｓｅ?ａｎｄ?ｏｕｔｌｉｅｒｓ??圖３．２相似矩陣的例子。零值的元素用白色表示，非零值的元素用藍色表示??２２??


本文編號：3404694