多源數(shù)據(jù)在現(xiàn)實中的應(yīng)用十分廣泛。例如,在阿茲海默癥的診斷中,醫(yī)生可能會從核磁共振圖像,正電子發(fā)射斷層掃描圖像和腦脊液成分測試中收集病人的信息,通過來自不同源的數(shù)據(jù),醫(yī)生可以得到關(guān)于病人的大腦結(jié)構(gòu)萎縮程度的信息,病人大腦的新陳代謝速率的信息以及病人腦脊液中蛋白質(zhì)水平的信息。這些不同的信息構(gòu)成了醫(yī)生對于病人的診斷。同樣,在機器學(xué)習(xí)中,我們也可以利用多源數(shù)據(jù)間的內(nèi)在聯(lián)系,來提升模型的泛化性能。本文針對多源數(shù)據(jù)的現(xiàn)狀,應(yīng)用矩陣分解方法,做出了如下幾點工作:首先,我們應(yīng)用矩陣分解方法對多源數(shù)據(jù)進行重構(gòu),提出了規(guī)范化多源矩陣分解方法。確切地說,為了對不同數(shù)據(jù)源之間的關(guān)系建模,規(guī)范化多源矩陣分解模型首先使用非負矩陣分解方法將觀察到的多源異構(gòu)數(shù)據(jù)分解成對象因子和特征因子。然后,我們根據(jù)對象因子和特征因子實現(xiàn)對數(shù)據(jù)重構(gòu)。其次,在這個過程中我們假設(shè)同一個數(shù)據(jù)源的不同對象共享相同的特征因子。最后,對于同一個對象的不同的數(shù)據(jù)源的對象因子,我們限定其相似性。第二,為了降低多源數(shù)據(jù)的噪音和驗證重構(gòu)數(shù)據(jù)的有效性,我們提出了自步多任務(wù)學(xué)習(xí)方法對重構(gòu)數(shù)據(jù)進行分類驗證。其中,多任務(wù)學(xué)習(xí)方法利用了多源數(shù)據(jù)之間的共享信息來提... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 多源數(shù)據(jù)與多任務(wù)學(xué)習(xí)
        1.2.2 多源數(shù)據(jù)與自步學(xué)習(xí)
        1.2.3 非負矩陣分解
        1.2.4 矩陣分解與重構(gòu)
        1.2.5 矩陣分解與聚類
    1.3 本文的主要貢獻與創(chuàng)新
    1.4 本論文的結(jié)構(gòu)安排
第二章 相關(guān)技術(shù)研究
    2.1 非負矩陣分解
        2.1.1 非負矩陣分解模型
        2.1.2 基本模型優(yōu)化
    2.2 自步學(xué)習(xí)
        2.2.1 課程學(xué)習(xí)
        2.2.2 自步學(xué)習(xí)
    2.3 本章小結(jié)
第三章 基于矩陣分解的多源數(shù)據(jù)重構(gòu)
    3.1 背景知識
    3.2 阿茲海默病相關(guān)工作
    3.3 矩陣分解對多源數(shù)據(jù)的重構(gòu)
    3.4 多源數(shù)據(jù)的自步分類算法
        3.4.1 多任務(wù)學(xué)習(xí)算法
        3.4.2 自步分類算法模型
    3.5 實驗結(jié)果
        3.5.1 數(shù)據(jù)
        3.5.2 結(jié)果及分析
    3.6 本章小結(jié)
第四章 基于矩陣分解的多源數(shù)據(jù)聚類
    4.1 相關(guān)工作
    4.2 矩陣分解對多源數(shù)據(jù)的聚類
    4.3 多源數(shù)據(jù)的自步聚類算法
        4.3.1 目標(biāo)函數(shù)
        4.3.2 優(yōu)化算法
    4.4 實驗
        4.4.1 實驗設(shè)置
        4.4.2 實驗結(jié)果分析
        4.4.3 敏感度和時間復(fù)雜度分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文主要工作總結(jié)
    5.2 工作展望
致謝
參考文獻
攻讀碩士學(xué)位期間取得的研究成果



本文編號：3043219