摘要：

隨著信息技術(shù)和互聯(lián)網(wǎng)的飛速發(fā)展,人們可以從多個(gè)信息源獲得數(shù)據(jù),即多源數(shù)據(jù).由于多源數(shù)據(jù)具有類型多樣,尺度不統(tǒng)一等特點(diǎn),對(duì)多源數(shù)據(jù)進(jìn)行匯聚并提取有效信息是機(jī)器學(xué)習(xí)和模式識(shí)別等領(lǐng)域研究的熱點(diǎn).由于多流形學(xué)習(xí)能夠有效地揭示復(fù)雜數(shù)據(jù)中的內(nèi)在結(jié)構(gòu),因此本文主要利用多流形模型對(duì)多源數(shù)據(jù)匯聚中的邊界檢測(cè)問題,魯棒性問題和自適應(yīng)性問題展開研究.本文主要工作包括如下三個(gè)方面:提出了基于邊界檢測(cè)的多流形學(xué)習(xí)算法.該算法通過檢測(cè)流形的邊界點(diǎn)來(lái)劃分?jǐn)?shù)據(jù)的多流形結(jié)構(gòu),并利用流形間的邊界點(diǎn)與距離最遠(yuǎn)點(diǎn)來(lái)保持?jǐn)?shù)據(jù)的整體幾何結(jié)構(gòu).在人工數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)證明,基于邊界檢測(cè)的多流形學(xué)習(xí)算法在流形間相對(duì)分離的數(shù)據(jù)上有較好的識(shí)別效果.提出了多源數(shù)據(jù)魯棒譜多流形學(xué)習(xí)算法.該算法首先通過降噪投影矩陣對(duì)原始數(shù)據(jù)進(jìn)行提純;再利用混合主成分分析模型將相交多流形分成若干個(gè)"不相交塊",根據(jù)樣本局部近鄰切空間對(duì)每一源數(shù)據(jù)構(gòu)建相似度矩陣;最后將各源相似度矩陣進(jìn)行匯聚,實(shí)現(xiàn)對(duì)多源數(shù)據(jù)的識(shí)別.在單源數(shù)據(jù)集和多源數(shù)據(jù)集上的實(shí)驗(yàn)表明,該算法相較于其他算法有更好的識(shí)別能力和魯棒性.提出了多源數(shù)據(jù)非負(fù)自適應(yīng)多流形學(xué)習(xí)算法.傳統(tǒng)多源數(shù)據(jù)學(xué)習(xí)算法在進(jìn)行多源數(shù)據(jù)匯聚時(shí)需要引入超參數(shù)確定各源數(shù)據(jù)的權(quán)重.該算法將每一源數(shù)據(jù)看作一個(gè)流形,通過自適應(yīng)的方式更新各源數(shù)據(jù)的權(quán)重和近鄰矩陣,更準(zhǔn)確地表示數(shù)據(jù)的流形結(jié)構(gòu).最后將各源數(shù)據(jù)的近鄰矩陣進(jìn)行匯聚,得到一致自適應(yīng)相似度矩陣.該算法充分利用了多源數(shù)據(jù)的互補(bǔ)性與一致性,提升了學(xué)習(xí)性能.

展開

總結(jié)

以上是生活随笔為你收集整理的多源计算机培训,多源数据汇聚的多流形学习算法研究的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。