2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩72頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、隨著數(shù)據(jù)采集技術(shù)、通信技術(shù)和網(wǎng)絡(luò)技術(shù)的迅速發(fā)展,人們在實(shí)際獲取的數(shù)據(jù)維數(shù)越來越高,如何有效的描述高維數(shù)據(jù),實(shí)現(xiàn)數(shù)據(jù)分析,如聚類已成為一個(gè)熱點(diǎn)研究方向。論文借助流形學(xué)習(xí)的思想對數(shù)據(jù)進(jìn)行約簡處理,將高維數(shù)據(jù)映射到維結(jié)構(gòu)空間,然后在低維空間實(shí)現(xiàn)數(shù)據(jù)聚類。論文的主要內(nèi)容和創(chuàng)新如下:
  1.針對LPP算法不能有效的保留數(shù)據(jù)間的多樣性信息,受啟發(fā)于PCA和流形學(xué)習(xí),利用鄰接圖描述數(shù)據(jù)的內(nèi)在幾何結(jié)構(gòu),較好的刻畫了數(shù)據(jù)的相似幾何屬性和多樣性幾何

2、屬性,給出了分別度量相似性和多樣性的離散度矩陣,提出了一種基于最小化相似離散度和最大化多樣性離散度的準(zhǔn)則的聚類算法(Local Similarity and Diversity Preserving Projection Clustering,LSDPC),該算法首先對數(shù)據(jù)進(jìn)行降維,然后在投影空間中,使用k-means算法對數(shù)據(jù)聚類,和傳統(tǒng)的聚類算法相比,LSDPC克服了數(shù)據(jù)維數(shù)的影響,且能夠得到能有效的代表高維數(shù)據(jù)的低維表示,實(shí)驗(yàn)驗(yàn)證

3、了該算法的有效性。
  2.基于半監(jiān)督的聚類算法只適合于低維數(shù)據(jù),導(dǎo)致實(shí)際效果不好,提出一種基于判別分析的半監(jiān)督聚類算法(Local Discriminant Embedding Semi-supervision Clustering)LDESC來解決高維數(shù)據(jù)的聚類問題。該算法首先構(gòu)造兩個(gè)鄰接圖,同類局部鄰接圖和不同類類間鄰接圖,其中同類局部鄰接圖主要包括描述同類局部相似幾何信息和同類局部多樣性幾何屬性的鄰接圖,然后給出了分別度量

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論