用于癌症分类的随机子空间半监督维数约减

精确的癌症分类对于癌症的成功诊断和治疗是必不可少的.半监督维数约减算法在干净的数据集上表现得很好,然而当面临噪声时,当前的大部分算法所构造的邻域结构是拓扑不稳定的.为了克服这一问题,文中提出了一种基于随机子空间的半监督维数约减算法(RSSSDR),将随机子空间与半监督维数约减算法结合起来.在数据集的不同随机子空间上,该算法首先设计多个不同的子图,然后将这些子图联合起来构成一个混合图并在其上进行维数约减.该算法通过最小化局部重构误差来确定邻域图的边权值,在保持癌症数据集局部结构的同时能够保持其全局结构.在公共癌症数据集上的实验结果表明,RSSSDR算法具有较高的分类准确率和较好的参数鲁棒性.     

子模式判别型半监督非线性维数减少算法

维数减少是在损失较少特征信息的条件下处理高维图像数据的关键技术,已成为高维数据处理中的热点问题.样本的类内和类间散度判别信息被用于判断当前样本对属于相同类还是不同类,同时考虑未标签样本对算法性能的影响,提出了一种判别型半监督非线性维数减少算法(discriminativesemi-supervised nonlinear dimensionality reduction,DSSNDR),可有效避免奇异性.DSSNDR采用高斯核和多项式核组合得到的混合核,将原始数据以一系列"有用的"特征形式投影到一个较低维的嵌入空间,便于分类,同时能够保持已标签和未标签样本的内部特征,可有效执行半监督学习.引入样本数据的子模式,将DSSNDR推广到子模式特征空间下的非线性方法,简称Sp-DSSNDR,进一步增强了DSSNDR的学习能力,提高分类精度.多个典型数据集上的分类和可视化实验表明,不同类的样本数据的投影在DSSNDR和Sp-DSSNDR构造的特征空间中存在较少的混叠现象,具有更好的可分离性.当维数被减少到较低水平时,本文算法几乎总是取得最好的结果,甚至超过了经典的主成分分析(PCA),核主成分分析(KPCA)和核Fis...     

一种基于半监督降维的聚类算法

半监督聚类通过利用少量有标号样本或成对约束等监督信息来提高聚类性能.在此提出一种新颖的基于半监督降维的聚类算法,首先用半监督降维方法对原始数据进行降维,然后在降维后的空间中进行半监督聚类.由于在降维和聚类两个阶段中都利用了监督信息,从而使得算法的聚类性能得到进一步提升.在UCI标准数据集、yale人脸库以及文本数据集上的实验结果验证了该算法的有效性.     

半局部环上模的内射维数

证明了不可分Noether半局部环上内射维数有限的非零有限生成模的内射维数均等于G（J，R）。结果推广了I．Kaplansky关于Noether局部环的相应结论，同时还给出一类不可分的Noether半局部环的一个划分。     

半局部环上的正交维数

在半局部环R上,给出了模R/J(R)与环R的右Ext-正交维数和右Tor-正交维数,即A⊥-D(R),A⊥-dim(R/J),A⊥-D(R),A⊥-dim(R/J)四维数相等的条件.作为推论,得到常见维数的若干等式关系.     

基于约束Laplacian分值的半监督特征选择算法

针对Laplacian分值法进行特征选择时过分依赖样本局部结构信息的不足,提出一种改进的基于约束Laplacian分值的半监督特征选择算法。该算法利用样本之间的cannot-link成对约束关系作为全局结构信息,在进行特征选择时,不仅能尽量保持局部结构信息,而且还尽量保持了全局的cannot-link约束关系。基于Yale和PIE(Fave pose,Illamination,Expression dadbase)人脸数据库的实验表明,该算法性能显著优于Laplacian分值法,与Fisher分值法和最新的约束分值法相当,且在稳定性方面优于后者。     

一种计算图像分形维数的有效方法

分形维数是一个很有价值的特征,可用来描述粗糙的、具有自相似特征的图像.这些特征已经被用在纹理分割、图像压缩、形状分析以及其他方面.文中提出了一种有效的局部盒维数的计算方法,并用它来提取图像的局部分形特征.用人造图像和自然纹理图像做实验,把它与其他5种计算分形维数的方法比较,结果显示该方法既精确又有效.     

凝聚半局部环上的同调维数Ⅰ

本文主要讨论了凝聚半局部环上的平坦维数，内射维数和小有限投射维数．推广了徐金中的某些结果．     

Gr—凝聚Gr—半局部环的同调维数

文「１」、「２」分别研究了Ｇｒ－ＮｏｅｔｈｅｒＧｒ－局部（半局部）环的同调维数,本文主要进一步讨论Ｇｒ－凝聚Ｇｒ－半局部环的同调性质。在第一部分中,主要刻画交换Ｇｒ－凝聚Ｇｒ－半局环Ｒ的分次弱整体维数ｇｒ．ｇｌ．ｗ．ｄｉｍＲ;在第二部分中。定义了分次环Ｒ的小有限分次投射维数ｇｒ．ｆｐ．ｄｉｍＲ．刻画了ｇｒ．ｆｐ．ｄｉｍＲ＝ｇｒ．ｇｌ．ｗ．ｄｉｍＲ的Ｇｒ－凝聚环。由于Ｇｒ－Ｎｏｅｔｈｅｒ环是Ｇｒ－凝     

非交换Gr—凝聚半局部环的同调维数

定义了Ｇｒ－凝聚环并且刻画了这一类环的同调维数,这些结果推广和发展了一般凝聚歪关于同调维烽的结果。     

半监督局部线性嵌入算法在人脸识别中的应用

提高人脸识别算法的识别率,提出一种基于半监督局部线性嵌入(Semi-Supervised Locally Linear Embedding,SSLLE)的人脸图像识别方法。针对局部线性嵌入(Locally Linear Embedding,LLE)算法非监督学习的缺陷,引入半监督思想,在构造邻域的时候利用部分样本的标签信息来重新调整距离矩阵;使用调整后的距离矩阵进行线性重建从而实现数据降维。在Yale和ORL人脸库上的实验结果表明,能有效的提高人脸识别的性能。     

基于Fisher判别的半监督天体光谱数据特征降维

降维是天体光谱数据预处理常用的手段之一,如何利用标号天体光谱数据,克服降维过程中的过分拟合,是提高降维效果的有效途径之一。采用半监督学习,给出了一种天体光谱数据特征降维方法。该方法首先针对具有标号天体光谱数据,建立Fisher判别分析和PCA可变动选择的不确定关系;其次构建其半监督降维的全局最优化形式,通过特征值分解计算降维结果,从而有效地克服了天体光谱降维过程中的过分拟合问题;最后采用高红移类星体和晚型星SDSS天体光谱特征线数据集,实验验证了该方法的有效性。     

一种最大化样本可分性半监督Boosting算法

针对数据实际分布与假设不匹配时半监督学习算法难以改善分类器性能的问题,该文提出一种最大化样本可分性半监督Boosting算法,通过引入"高密度区域局部散度最小、样本空间全局散度最大"准则来学习未标注的样本。该准则使用两种半监督假设(聚类假设和流形假设),减少了因半监督假设与数据不匹配造成的准确率下降问题。实验结果表明,该文算法有效提高了Boosting算法在符合聚类假设数据集和符合流形假设数据集上的准确性,提高了分类器噪声数据的稳定性。     

具有Krull维数的半素环

本文讨论了半素环的闭理想性质,引进了强Kasch环的概念并给出半素环是强Kasch环的充分必要条件,最后讨论了强Kasch半素环上具有Krull维数的模的内射包络的自同态环。     

一种基于KNN的半监督分类改进算法

本文提出一种新的基于KNN分类的半监督学习self-training改进算法,并以多个UCI数据集为实验,对基于KNN的半监督分类模型算法进行改进,充分利用已知类别标签数据的正确知识进行自训练,以得到最终分类结果.实验结果表明,该方法能显著提高分类准确率.     

Gr—Noether Gr—半局部环的同调维数

进一步刻划了Ｇｒ－Ｎｏｅｔｈｅｒ Ｇｒ半局部环的同调九，把半局环同调维数的结果推广到一般的Ｇｒ－半局部环。     

基于局部重构与全局保持的半监督判别分析方法

为克服线性判别分析(LDA)只能利用有标记样本的缺点,提出一种基于局部重构与全局保持的半监督判别分析(LRGPSSDA)方法.LRGPSSDA通过最小化局部重构误差来确定邻域图的边权值,在保持数据集局部结构的同时保持其全局结构,具有对邻域参数的选择不敏感、所得投影子空间的维数不受样本类别数的限制等特点.相较现有的半监督判别分析方法(如SDA和UDA),LRGPSSDA的分类性能更好.在YaleB和CMUPIE标准人脸库上的实验结果验证了该算法的有效性.     

一种求解MMC的快速算法

最大间距准则(Maximum Margin Criterion,MMC)能够有效地克服线性鉴别分析(Linear Discriminant Analysis,LDA)算法所面临的小样本问题.但是,原有的MMC求解算法复杂度较高,为了提高MMC算法的计算效率,本文提出了一种新的快速的MMC求解算法.在理论上,新的MMC求解算法和原有算法等价,但计算复杂度比原算法要低的多.在人脸库上的实验表明,新的MMC求解算法的计算速度远比现有的MMC求解算法要快,但是其识别率与现有求解算法相同.     

一种自适应确定隐层节点数的增量半监督超限学习机算法

单隐层前馈神经网络中,隐层节点个数是影响网络的学习能力和复杂程度的重要因素.在实际应用当中,如何确定网络的隐层节点个数仍然是一个开放的问题.在半监督超限学习机(SS-ELM)的基础上,本文提出了一种增量半监督超限学习机(ISS-ELM)算法,对于给定的学习精度,该算法能够逐个或者成批地增加隐层节点,并自适应确定隐层节点...