多视图聚类方法随着数据获取途径日益多样化成为研究热点,但大多数聚类方法低估了噪声和数据多结构互补性信息对聚类结果的影响,并且忽略了聚类结果对低秩张量优化过程的反向引导作用。为解决这些问题,提出了基于结构化张量学习的多视图聚类(multi-view clustering based on structured tensor learning,MCSTL)。首先,对初始表示张量进行再次去噪使其更具准确性和鲁棒性;同时,互补地学习局部结构、全局结构和各视图间的高阶相关性,提高表示张量与原始数据本质簇结构的一致性;然后,从跨视图信息融合的亲和矩阵中学习到统一的特征矩阵,利用其隐含的聚类结构信息反向引导表示张量的优化过程;最后,对特征矩阵施加了正交约束,使其提供数据的软标签信息,并对模型进行直接聚类解释。实验表明,MCSTL在6种聚类评价指标上均表现优异,30个指标数据中有27个达到最优,从而充分验证了MCSTL的有效性和优越性。
该文根据流媒体系统中缓存空间不足及服务延迟的问题,提出一种基于P2P协作的代理缓存流媒体调度算法PCSPC(Proxy-Caching Scheduler based on P2P Cooperation)。首先按照流行度高的数据占用较大存储空间的原则,利用媒体文件的存储效率...
详细信息
该文根据流媒体系统中缓存空间不足及服务延迟的问题,提出一种基于P2P协作的代理缓存流媒体调度算法PCSPC(Proxy-Caching Scheduler based on P2P Cooperation)。首先按照流行度高的数据占用较大存储空间的原则,利用媒体文件的存储效率为每个前缀分配相应的存储空间。然后按传输成本将前缀降序排列,代理服务器升序排列,将前缀依次分配到代理服务器上,并且通过理论证明该方法能够有效地减少传输成本。PCSPC算法能够兼顾存储效率与传输成本。仿真实例说明了算法的有效性。
暂无评论