基于二维最小二乘回归的子空间分割

现实中有很多样本数据是二维的,且多数聚类方法需将二维样本数据向量化,从而导致二维数据的内部几何信息丢失.针对这一问题,提出二维最小二乘回归子空间分割方法直接对二维数据进行聚类,将一维最小二乘回归子空间分割方法推广到二维,使得原始数据的结构信息得以保留.在人脸数据集和哥伦比亚大学图像数据集上进行实验,结果表明该方法是有效的.     

投影相关自适应子空间分割

在构造仿射矩阵时,满足稀疏性就会降低其分组效应,反之,又不利于数据的选择.针对这些问题,提出投影相关自适应子空间分割方法.通过引入迹lasso,自适应地根据样本数据的相关性构造仿射矩阵,同时提取出有利于类别识别的特征.在6个基因表达数据上的实验结果表明,该方法优于现有子空间分割方法.     

基于核最小二乘回归子空间分割的高维小样本数据聚类

针对基于线性表示理论的子空间分割方法没有考虑高维小样本数据的非线性性质,借鉴核理论,提出核最小二乘回归子空间分割方法,使子空间分割方法适合高维小样本数据的非线性性质.经6个基因表达数据集和4个图像数据集上的实验,表明该方法是有效的.     

两阶段最小二乘回归子空间聚类方法

针对高维数据的非线性特性会降低最小二乘回归(LSR)子空间聚类的性能,提出两阶段LSR(TLSR)子空间聚类方法.该方法利用LSR的表示系数定义局部信息惩罚项,构造局部约束LSR方法.在8个数据集上的实验表明该方法适合高维数据的聚类.     

基于稀疏表示和最小二乘回归的基因表达数据分类方法

提出基于稀疏表示和最小二乘回归的分类方法:用训练样本重构测试样本,先利用稀疏表示剔除噪声样本,接着用最小二乘回归和最近邻子空间准则对样本分类,可以克服传统分类方法存在的过拟合问题.在6个基因表达数据上的实验结果表明,该方法可以提高分类准确率.     

一种改进的子空间聚类方法

目的:更好地揭示高维数据的子空间结构,提高子空间聚类性能。方法:对系数矩阵施加Frobenius范数约束,并使其与稀疏矩阵充分接近,建立新的子空间表示模型,利用系数矩阵构造相似度矩阵,最后利用谱聚类算法得到聚类结果。结果与结论:新模型能得到类间稀疏和类内聚集的系数矩阵,提高了聚类性能,且能快速实现。     

线性序拓扑空间中的子空间与子序空间

R.Engelking在《General Topology》中讨论了线性序集的序拓扑的子空间和子序空间的关系,指出两种子空间是不同的,并给出了它们同胚的一些充分条件。本文给出了它们同胚的充要条件;证明了任何可数线性序空间与有理数的某个子空间同胚,且举例说明对非可数线性序集并没有类似结果。最后证明了良序集和实数集合具有序拓扑遗传性。     

成分数据的偏最小二乘回归分析法

本文针对具有成分数据信息的多因变量对多自变量线性回归问题,在传统的线性回归基础上提出了一种成分数据的偏最小二乘回归分析法,并对其进行了理论性分析,论证了该方法的可行性与合理性。     

子locale与子空间的关系

讨论了空间式子ｌｏｃａｌｅ与子空间的关系以及空间式子ｌｏｃａｌｅ的交的空间式问题,证明了拓扑空间的空间式子ｌｏｃａｌｅ与该空间的Ｓｏｂｅｒ化空间的子空间是一一对应的,并且给出了空间式子ｌｏｃａｌｅ的交是空间式的充分条件．     

基于偏最小二乘回归的研制费用估算模型

进行了导弹研制费用分析,建立了费用特征参数的量化模型.为解决因样本数据少引发的研制费用估算精度低的问题,引入了偏最小二乘回归灰色组合模型,并针对一组费用数据进行了实际应用.结果表明估算精度较高.     

样本依赖型最小平方回归学习算法的收敛速度

目的研究基于样本依赖型的范数正则化学习算法的收敛性分析。方法概率论与数理统计的方法。结果给出了一种用K-泛函表示的收敛速度。结论文中的研究表明,样本依赖型学习算法与通常的核学习算法具有相同的收敛速度。     

K-Canopy:一种面向话题发现的快速数据切分算法

针对海量数据上的话题发现任务,提出了一种均匀快速的数据预切分算法。在保证一定精度情况下,通过该算法可以按照数据的语义关联强度快速有效地将数据集切分成大小均匀的子数据集,以支持后续的话题发现算法的并行执行。实验表明,所提出的方法能够快速切分海量数据,保持块内数据的语义关联,大大提升话题发现的效率与质量。     

L1-范数子空间技术的鲁棒建模综述

子空间学习可以通过多种技术来开展,对一些流行且被广泛使用的子空间学习方法,简要回顾其基于L1-范数的鲁棒建模.从主成分分析开始介绍子空间学习技术、线性判别分析以及更一般的图嵌入框架.作为L1-范数的综合利用,进一步讨论具有稀疏性的鲁棒建模.此外,还论述一些应用在神经科学中的相关子空间学习技术.最后,针对基于L1-范数的子空间学习的求解问题,介绍一个有力工具,即边界优化技术.     

基因表达数据的频繁闭合模式挖掘新算法

基因表达数据集与传统事务数据集相比呈现出新的特征,由于其项目数远远大于事务数,使得大量现有的基于项目枚举的频繁闭合模式挖掘算法不再适用.为此提出一种频繁闭合模式挖掘新算法TPclose,使用TP-树(tidset-prefix tree)保存项目的事务集信息.该算法将频繁闭合模式挖掘问题转换成频繁闭合事务集挖掘问题,采取自顶向下分而治之的事务搜索策略,并组合了高效的修剪技术和有效的优化技术.实验表明,TPclose算法普遍快于自底向上事务搜索算法RERⅡ,最高达2个数量级以上.     

偏最小二乘法与人工神经网络耦合的小流域产沙模型

针对小流域侵蚀产沙的复杂性,将偏最小二乘回归与人工神经网络耦合,建立了小流域降雨侵蚀产沙检验模型,并应用于小流域降雨侵蚀产沙预报.采用偏最小二乘法对多维自变量中的信息进行组合和提取,从而得到对因变量解释能力最强并可很好概括自变量信息的主成分,有效克服了变量之间的多重相关问题,实现了对高维数据的降维处理.把提取的主成分作为神经网络的输入,提高了网络的学习效率和稳健性.应用结果表明,偏最小二乘神经网络耦合模型的拟合和检验精度均优于偏最小二乘回归模型和人工神经网络模型精度.