检索结果-内蒙古大学图书馆

数据挖掘 2022年第2期12卷 123-132页

作者：宋菲菲何强王恒友张长伦陈琳琳北京建筑大学理学院北京北京建筑大学大数据建模理论与技术研究所北京

最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)由于同等对待所有样例,从而易受噪声干扰,影响分类性能。模糊LSSVM的提出一定程度上克服了以上问题。本文给出了一种新的样例隶属度计算方法,其在特征空间中,利用每一... 详细信息

最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)由于同等对待所有样例,从而易受噪声干扰,影响分类性能。模糊LSSVM的提出一定程度上克服了以上问题。本文给出了一种新的样例隶属度计算方法,其在特征空间中,利用每一样例与其他样例核相似性获得隶属度,并将其应用于模糊多核LSSVM (Fuzzy Multi-Kernel LSSVM, FMK-LSSVM),得到具有强鲁棒性的基于核相似性的模糊多核LSSVM。实验结果验证该方法的可行性与有效性。

关键词：最小二乘支持向量机隶属度多核学习核相似性

来源：评论

学校读者我要写书评

暂无评论

基于核相似性删减策略的支持向量回归算法

引用

山东大学学报（工学版） 2019年第3期49卷 8-14页

作者：李英达谢宗霞天津大学软件学院

在核相似性基础上结合随机梯度下降算法提出支持向量删减策略(SVs_reduced strategy, SRS);引入核相似性删减冗余的支持向量来提高大型非线性支持向量回归的效率。在每次随机梯度下降的迭代中,如果新的样本被认为是一个支持向量,那么就... 详细信息

在核相似性基础上结合随机梯度下降算法提出支持向量删减策略(SVs_reduced strategy, SRS);引入核相似性删减冗余的支持向量来提高大型非线性支持向量回归的效率。在每次随机梯度下降的迭代中,如果新的样本被认为是一个支持向量,那么就会计算它和其它支持向量间的相似性。如果相似性大于一个设定的阈值,那么就会删减这个支持向量。基于UCI数据集,LIBSVM数据集和风速数据集的试验结果表明,与其它流行算法相比,这个策略可以十分高效地解决大型支持向量回归问题。

关键词：支持向量回归快速算法随机梯度下降核相似性

来源：评论

学校读者我要写书评

暂无评论

基于核相似性和低秩近似的缺失值填充算法研究

基于核相似性和低秩近似的缺失值填充算法研究

引用

作者：孙晓飞天津大学

学位级别：硕士

数据挖掘的目的是在复杂的数据集中发现有价值的规律或知识。这需要专业人员建立可靠的算法模型来发掘,而可靠的算法模型依赖于高质量的数据。缺失值在各行各业中普遍存在,这些缺失值严重影响了数据质量。如何准确,有效的处理缺失值是... 详细信息

数据挖掘的目的是在复杂的数据集中发现有价值的规律或知识。这需要专业人员建立可靠的算法模型来发掘,而可靠的算法模型依赖于高质量的数据。缺失值在各行各业中普遍存在,这些缺失值严重影响了数据质量。如何准确,有效的处理缺失值是当前数据挖掘领域研究的一个热点。通常处理缺失值有两类方法:删除法和填充法。对删除法来说当数据集中含有大量的缺失数据时,直接删除会导致训练样本丢失大量信息。填充法则经过较长时间的发展有了较完备的理论和技术,其种类也不断的更新发展。该方法利用数据集本身对缺失值进行填充,使得整个数据集完整,有利于模型的建立。近些年低秩技术在图像恢复,推荐系统得到了很好的应用,利用低秩矩阵进行建模,通过子空间来逼近样本空间,能够得到原始空间的近似解。本文主要是研究基于核相似性和低秩近似的缺失值填充算法,在填充的方法和策略上做了一些改进,主要的工作如下:1.基于核相似性来构造缺失数据的相似样本进行填充。该方法具体是通过核函数的相似性找到同包含缺失值样本最相近的K个完整的样本,最后用这K个样本所对应的缺失属性的加权均值来完成缺失值的填充。2.构建基于相关性阈值的低秩填充模型。首先计算包含缺失值样本同其他样本间的线性相关性,然后设定Pearson线性相关性阈值a,将线性相关性大于该阈值a的样本选出来,接着构建低秩填充模型,最后求解得到该缺失值。3.低秩矩阵填充在风速缺失值上的应用。本文将时间序列的风速数据转换成低秩矩阵形式,通过实验来决定风速矩阵的行数和列数,采用GROUSE优化算法通过子空间更新策略找到求解最小核范数的最优解,从而填补缺失的风速值。实验表明,基于核相似性的缺失值填充算法在相同的缺失比例下填充效果最优。而基于线性相关性阈值的低秩填充算法,在大样本集上的表现优于在整个缺失样本上一次性填充的结果。将基于时间序列的短时风速数据转换为矩阵的形式,然后利用低秩近似的方法进行填充,效果好于传统的填充方法。

关键词：缺失值核相似性线性相关性低秩填充

来源：评论

学校读者我要写书评

暂无评论

基于局部扩展的社区发现算法研究

基于局部扩展的社区发现算法研究

引用

作者：丁晓宇哈尔滨工程大学

学位级别：博士

社会计算是计算机科学和社会科学的前沿课题。社会网络的社区发现问题是社会计算的研究核心之一。社区结构的分析有助于人们理解社会系统的组织结构和功能特性以及解决实际的社会问题。作为灵活且高效的启发式算法，基于局部扩展的社区... 详细信息

社会计算是计算机科学和社会科学的前沿课题。社会网络的社区发现问题是社会计算的研究核心之一。社区结构的分析有助于人们理解社会系统的组织结构和功能特性以及解决实际的社会问题。作为灵活且高效的启发式算法，基于局部扩展的社区发现算法在近十几年中备受学者们的青睐。然而，同其他启发式算法一样，局部扩展社区发现算法无法在理论上保障其提供的可行解的有效性。在实践中，改进局部扩展社区发现算法的主流策略包括：利用相似性指标强化算法取得的种子和社区的特定结构特征;利用社区融合方法消除算法取得的复本社区和琐碎社区;等等。然而，上述改进策略可能会引发特征陷阱问题和过度融合问题，并且无法解决目标依赖问题、目标失效问题、函数限制问题和社区独立问题。本文致力于解决局部扩展社区发现算法的种子选取方法、社区扩展方法、社区融合方法中存在的上述问题。本文的研究目标及方法、实验结果及结论如下：　　（1）局部扩展局部社区发现算法普遍存在目标依赖问题和目标失效问题，而目标依赖问题和目标失效问题均会降低算法识别目标社区的平均性能。针对此问题，本文提出一个近邻探查方法。为了解决目标依赖问题，提出的算法利用近邻探查方法取得目标社区的核心成员并用其代替原目标节点作为种子。为了解决目标失效问题，提出的算法利用近邻探查方法建立目标节点与算法取得的局部社区的一一对应关系。实验结果显示，在识别有效的真实社区方面，提出的算法在不使用社区质量函数的前提下的平均性能依然优于对比算法的平均性能。实验结果表明，近邻探查方法能够有效地提高局部扩展局部社区发现算法识别目标社区的平均性能。　　（2）局部扩展社区发现算法普遍利用相似性指标强化其取得的种子和社区的特定结构特征，而特征陷阱问题可能会降低算法识别真实社区和真实社区的核心成员的性能。针对此问题，本文提出一个核相似性指标。核相似性指标具有坚实的理论基础和较低的计算成本，并且充分利用了网络的局部和全局拓扑信息及节点交互关系的非对称性。本文提出一个基于核相似性的局部扩展重叠社区发现算法用以检验核相似性指标的有效性。实验结果显示，在评估真实社区的数量和识别真实社区方面，提出的算法的平均性能优于其退化算法及对比算法的平均性能。实验结果表明，核相似性指标有助于局部扩展社区发现算法识别真实社区和真实社区的核心成员。　　（3）局部扩展社区发现算法普遍利用社区融合方法消除其取得的复本社区和琐碎社区，而过度融合问题可能会降低算法识别真实社区和评估真实社区的数量的性能。针对此问题，本文提出了一个强社区融合方法。不同于已知的社区融合方法，强社区融合方法所执行的一次社区融合操作不会提高被融合后的社区在后续的社区融合操作中与其他社区融合的几率。本文提出一个弱社区融合方法和一个基于强融合法的局部扩展重叠社区发现算法用以检验强社区融合方法的有效性。实验结果显示，在识别高度聚类的真实社区和评估真实社区的数量方面，强社区融合方法的表现优于弱社区融合方法的表现。实验结果表明，强社区融合方法能够有效地消除复本社区和琐碎社区，并抑制融合本应独立存在的社区。　　（4）局部扩展社区发现算法普遍存在函数限制问题和社区独立问题，而函数限制问题和社区独立问题均会阻碍局部扩展社区发现算法识别网络中结构多样的社区。针对此问题，本文提出一个关系优化策略。为了解决函数限制问题，提出的算法在不使用社区质量函数的前提下通过优化节点与社区的一对一交互关系与节点与社区的一对多交互关系构建社区。为了解决社区独立问题，提出的算法通过优化节点与社区的一对多交互关系构建社区之间的关联。实验结果显示，在识别高度聚类的真实社区方面，提出的算法的平均性能优于对比算法的平均性能。实验结果表明，关系优化策略有助于局部扩展社区发现算法识别网络中结构多样的社区。

关键词：社区发现算法局部扩展近邻探查核相似性社区融合

来源：评论

学校读者我要写书评

暂无评论

大规模非线性支持向量机算法研究

大规模非线性支持向量机算法研究

引用

作者：李英达天津大学

学位级别：硕士

支持向量机(Support Vector Machine,SVM)是一种基于统计学理论发展而来的监督式机器学习算法,由于其出色的学习性能,已经成为当前机器学习广泛关注的热点。它在解决小样本、非线性和高维模式识别问题时表现出许多特有的优势,并有效地... 详细信息

支持向量机(Support Vector Machine,SVM)是一种基于统计学理论发展而来的监督式机器学习算法,由于其出色的学习性能,已经成为当前机器学习广泛关注的热点。它在解决小样本、非线性和高维模式识别问题时表现出许多特有的优势,并有效地克服过拟合等问题,从而被广泛应用于模式识别、回归分析、函数估计、时间序列预测等各个领域。但是,随着大数据时代海量数据的大量增加,如何高效地处理大规模非线性支持向量机模型,避免维数灾难成为研究的焦点。本文围绕如何处理大规模非线性支持向量机模型来进行算法理论改进与应用研究工作。首先,本文回顾了支持向量机基础理论以及算法的发展,从而引出本文的研究背景与意义,进而分析SVM算法在发展过程中所遇到的问题。其次,本文对支持向量机的两种模型分类和回归分别进行了阐述。并且介绍了随机梯度下降(Stochastic Gradient Descent,SGD)算法与核函数在两种非线性支持向量机模型中的应用。最后我们提出了新的高效的改进算法来解决大规模非线性支持向量机。算法的改进分别从支持向量分类(Support Vector Classification,SVC)和支持向量回归(Support Vector Regression,SVR)算法展开。在大规模非线性SVC算法中,提出一种高效的基于核相似性的支持向量删减策略(SVs reduced Strategy,SRS):在非线性SVC模型中的每一次SGD迭代中,如果一个样本被记录为支持向量,则核函数会计算该样本与支持向量集合的核相似性,那么当核相似性大于设定的阈值时,SRS策略就会删减掉这个支持向量从而提高模型的效率。最后,SRS策略和其它的预算维护策略被结合起来进一步加速训练过程。在大规模非线性SVR算法中,我们将用于大规模非线性SVC的两种支持向量删减策略预算SGD和SRS方法分别扩展到非线性SVR模型中来处理大规模数据。SVC和SVR模型上不同算法的对比实验结果表明:本文在两种模型中提出的基于核相似性的SRS策略和预算SGD策略在能够取得具有竞争力的精度的同时,大幅度减少了模型的训练时间,在一定程度上解决了处理大规模非线性支持向量机的核灾难问题。

关键词：支持向量分类支持向量回归随机梯度下降核相似性预算维护策略

来源：评论

学校读者我要写书评

暂无评论

基于马尔科夫随机场学习模型的图像模糊核估计

引用

东南大学学报（自然科学版） 2016年第6期46卷 1143-1148页

作者：何富运张志胜东南大学机械工程学院南京211189

为在图像模糊核估计中充分利用图像的区域特征和结构信息作为先验知识,提出一种基于马尔科夫随机场学习模型的模糊核估计方法.首先,由滑动的子窗口构成马尔科夫随机场的节点集,以每个子窗口的曲率方向能量滤波器的响应和边缘分布组成的... 详细信息

为在图像模糊核估计中充分利用图像的区域特征和结构信息作为先验知识,提出一种基于马尔科夫随机场学习模型的模糊核估计方法.首先,由滑动的子窗口构成马尔科夫随机场的节点集,以每个子窗口的曲率方向能量滤波器的响应和边缘分布组成的特征向量作为模型的输入;然后,利用对数伪似然优化算法估计模型参数,在模型训练阶段,采用交叉熵相似性度量模糊核的相似性以标记训练样本;最后,利用置信度传播算法推测最优图像子块.运用所提方法对仿真和实际模糊图像进行实验,结果表明,该学习模型可以精确地估计模糊核,在主观视觉对比和客观评价方面均具有较好的效果,同时也具有较好的自适应性.与其他3种方法相比,模糊核相似度分别提高了1.55%,5.64%和7.02%.

关键词：图像恢复模糊核马尔科夫随机场核相似性

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：