目的随着实际应用场景中海量数据采集技术的发展和数据标注成本的不断增加,自监督学习成为海量数据分析的一个重要策略。然而,如何从海量数据中抽取有用的监督信息,并该监督信息下开展有效的学习仍然是制约该方向发展的研究难点。为此,提出了一个基于共识图学习的自监督集成聚类框架。方法框架主要包括3个功能模块。首先,利用集成学习中多个基学习器构建共识图;其次,利用图神经网络分析共识图,捕获节点优化表示和节点的聚类结构,并从聚类中挑选高置信度的节点子集及对应的类标签生成监督信息;再次,在此标签监督下,联合其他无标注样本更新集成成员基学习器。交替迭代上述功能块,最终提高无监督聚类的性能。结果为验证该框架的有效性,在标准数据集(包括图像和文本数据)上设计了一系列实验。实验结果表明,所提方法在性能上一致优于现有聚类方法。尤其是在MNIST-Test(modified national institute of standards and technology database)上,本文方法实现了97.78%的准确率,比已有最佳方法高出3.85%。结论该方法旨在利用图表示学习提升自监督学习中监督信息捕获的能力,监督信息的有效获取进一步强化了集成学习中成员构建的能力,最终提升了无监督海量数据本质结构的挖掘性能。
第五代移动通信技术(5th-generation mobile communication technology,5G)网络对高速率、低时延、高可靠性的移动通信处理需求不断增加,对终端基带信道估计算法的高性能和低复杂度设计、矩阵处理动态范围提出挑战。针对上述问题,本文...
详细信息
第五代移动通信技术(5th-generation mobile communication technology,5G)网络对高速率、低时延、高可靠性的移动通信处理需求不断增加,对终端基带信道估计算法的高性能和低复杂度设计、矩阵处理动态范围提出挑战。针对上述问题,本文提出一种基于相关矩阵托普利兹(Toeplitz)特性的信道估计算法。依据信道的相干带宽特性计算信道相关矩阵并保留必要的较低矩阵阶数;基于相关矩阵的Toeplitz特性设计低复杂度的递归求逆算法,并针对加权矩阵乘法的元素重复性将矩阵乘法化简为矩阵点乘,简化加权矩阵运算;同时引入跟踪信噪比变化的缩放补偿因子对计算过程和结果分别进行缩放和补偿。理论分析和仿真结果显示,本文所提算法可在达到优异的信道估计性能条件下,有效降低运算复杂度,并极大降低算法矩阵处理的动态范围。
暂无评论