

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、分類號:分類號:密級:密級:研究生學位論文論文題目(中文)論文題目(中文)高維數據的降維及聚類方法研究高維數據的降維及聚類方法研究論文題目(外文)論文題目(外文)DimensionReductionClusteringfHighDimensionalData研究生姓名研究生姓名孫喜利孫喜利學科、專業(yè)學科、專業(yè)軟件工程軟件工程軟件工程軟件工程研究方向研究方向模式識別模式識別學位級別學位級別碩士導師姓名、職稱導師姓名、職稱路永鋼路永鋼教授教
2、授論文工作論文工作起止年月起止年月20142014年9月至20162016年4月論文提交日期論文提交日期20162016年4月論文答辯日期論文答辯日期20162016年5月學位授予日期學位授予日期校址:甘肅省蘭州市校址:甘肅省蘭州市I高維數據降維和聚類方法研究高維數據降維和聚類方法研究中文摘要中文摘要數據降維和聚類分析都是模式識別和數據挖掘等領域的基本學科。近年來隨著互聯(lián)網的發(fā)展和普及,圖像、視頻、文件等數據的數量和種類都在呈指數增長。
3、由于數據量增大,數據需要提取的特征越來越多,這就導致數據的維度越來越大。由于高維數據中包含大量的冗余信息以及高維空間中隱藏了數據間的相關性,所以傳統(tǒng)的數據分析和處理方法很難處理高維數據,而且高維數據的可視化也是一個難題。數據降維是將數據從高維空間映射到低維空間,從而獲得一個更加緊湊的低維表示,這不僅能降低數據處理的時間復雜度以及更便于發(fā)現(xiàn)數據結構信息,而且低維的數據表示更易于可視化。因此,當前迫切需要研究出高效的數據降維方法。聚類分析既
4、可以作為獨立的數據分析工具又可以作為數據挖掘的一個預處理步驟,它在許多領域都發(fā)揮著重要的作用,比如圖像處理、統(tǒng)計分析、心理學等。由于維數災難,傳統(tǒng)的聚類方法對高維數據進行聚類很難得到有意義的聚類結果,因此,對高維數據的聚類方法進行研究具有重要的意義。目前已經有許多的數據降維方法,PCA、LDA、LLE、Isomap以及SNE等都是應用廣泛的數據降維方法。本文對這些經典的數據降維方法進行了簡要的介紹,并對LLE算法進行了比較深入的研究。L
5、LE是一個非線性的數據降維方法,它通過保存高維空間的局部的近鄰點信息來達到保存全局拓撲結構的目的。為了保存更好的局部信息,本文用Rankder距離來替代傳統(tǒng)的歐氏距離來尋找近鄰點。Rankder距離利用近鄰點的排序信息來計算點間的距離,它被證明可以提高聚類質量。將Rankder距離與LLE結合的方法稱為基于Rankder距離的LLE(RLLE)。為了評價RLLE方法,本文將RLLE方法和原始的LLE、ISOLLE和IEDLLE都運行在兩
6、個手寫體數據集上,實驗證明LLE方法的有效性和尋找近鄰點的距離密切相關,RLLE方法可以提高數據降維的有效性,而且Cindex是一個可以用來評價降維質量的很好的指標。子空間聚類是目前主要的高維數據聚類方法,而超圖劃分是另一個有望解決高維數據聚類難題的方法。本文提出了一種新的利用超圖劃分對高維數據進行聚類的方法。該方法首先構建一個圖G,通過利用共享反轉k近鄰(SRNN)來定義頂點間的連接關系。然后通過尋找圖G的所有最大團作為超邊來構建一個
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。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,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確性、安全性和完整性, 同時也不承擔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。
最新文檔
- 高維數據流快速降維聚類算法研究.pdf
- 高維數據的聚類方法研究與應用.pdf
- 高維數據的多視圖聚類方法研究.pdf
- 高維分類數據聚類方法研究與實現(xiàn)
- 余弦度量下的高維數據降維及分類方法研究.pdf
- 高維分類數據聚類方法研究與實現(xiàn).pdf
- 基于超網絡的高維數據聚類方法研究.pdf
- 商業(yè)數據流降維方法及其聚類算法研究.pdf
- 高維數據子空間聚類研究.pdf
- 高維數據聚類算法及應用研究.pdf
- 面向高維數據的PCA-Hub聚類方法研究.pdf
- 高維數據投影聚類算法的研究.pdf
- 高維數據下的特征選擇與聚類方法研究.pdf
- 高維稀疏數據的降維方法與應用研究.pdf
- 高維海量數據聚類算法研究.pdf
- 高屬性維稀疏數據動態(tài)抽象聚類方法研究.pdf
- 高維數據的若干聚類問題及算法研究.pdf
- 高維數據子空間聚類算法研究.pdf
- 高維混合類型數據聚類算法研究.pdf
- 面向高維數據降維與分類的深度模型構建方法研究.pdf
評論
0/150
提交評論