基于非负矩阵分解的维度约简模型研究
发布时间：2022-01-05 17:16
在大数据时代,海量的高维数据更加频繁的进入我们的日常生活中。社会信息化程度提高为我们带来便利的同时,也使传统的数据挖掘方法面临冲击。在处理高维数据时,传统数据分析方法往往会遭遇“维数灾难”,解决该问题的有效途径是先对原始数据进行维度约简,再对约简后的数据进行分析。维度约简可以有效地在保留关键信息的同时降低原始数据空间的维度,然而,伴随着技术的发展,采集到的数据从规模和复杂程度上都已经将要超出传统方法所能处理的范畴,经典算法的性能难以发挥,表现不尽人意。基于非负矩阵分解的方法由于其特性,一直以来受到广泛关注和欢迎。因此,本文研究基于非负矩阵分解的维度约简模型,分析传统算法存在的问题并探索解决方案。本文主要的工作和成果如下:（1）首先,在对现有工作进行充分调研和总结的基础上,统合已有算法的优势,提出一种基于流形学习和l1/2稀疏约束的非负矩阵分解方法,将其用于维度约简工作。针对大数据时代来源数据维度高、结构复杂、可能存在大量冗余的特点,通过引入去噪处理、显式附加l1/2稀疏范数进行约束和添加基于流形学习思想的图正则化的方法分别予以解决,从而更加有...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 研究现状
1.2.1 使用特征提取方法进行维度约简
1.2.2 基于流形学习思想的特征提取方法
1.2.3 基于非负矩阵分解思想的特征提取方法
1.3 本文主要研究工作
1.4 论文结构组织和安排
2 基于非负矩阵分解方法的特征提取相关基础理论
2.1 非负矩阵分解
2.1.1 基于欧氏距离平方的目标函数
2.1.2 基于广义KL散度的目标函数
2.2 基于稀疏约束的非负矩阵分解
2.2.1 稀疏约束非负矩阵分解的基本模型
2.2.2 稀疏约束非负矩阵分解的迭代优化算法
2.3 基于流形学习的特征提取方法
2.4 本章小结
3 基于流形学习和l_(1/2)稀疏约束的非负矩阵分解方法
3.1 算法描述
3.2 算法模型设计
3.2.1 算法模型和目标函数
3.2.2 算法模型中的去噪处理
3.2.3 算法模型中的流形学习
3.2.4 迭代更新规则
3.3 算法描述
3.4 仿真实验设计及结果分析
3.4.1 实验环境配置
3.4.2 对比算法
3.4.3 数据集
3.4.4 算法的性能评估指标
3.4.5 实验结果分析
3.5 本章小结
4 基于二部聚类思想的非负矩阵三分解方法
4.1 二部聚类
4.2 算法描述
4.3 算法模型设计
4.3.1 算法模型和目标函数
4.3.2 算法模型中的去噪处理
4.3.3 迭代更新规则
4.4 算法描述
4.5 数值实验及结果分析
4.5.1 实验环境配置
4.5.2 对比算法
4.5.3 数据集
4.5.4 算法的性能评估指标
4.5.5 实验结果分析
4.5.6 参数讨论
4.6 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]L1/2 regularization[J]. XU ZongBen 1 , ZHANG Hai 1,2 , WANG Yao 1 , CHANG XiangYu 1 & LIANG Yong 3 1 Institute of Information and System Science, Xi’an Jiaotong University, Xi’an 710049, China;2 Department of Mathematics, Northwest University, Xi’an 710069, China;3 University of Science and Technology, Macau 999078, China. Science China（Information Sciences）. 2010(06)
[2]非负矩阵分解算法综述[J]. 李乐,章毓晋. 电子学报. 2008(04)
硕士论文
[1]稀疏约束非负矩阵分解方法及其应用研究[D]. 路成.安徽大学 2017
本文编号：3570750
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 研究现状
1.2.1 使用特征提取方法进行维度约简
1.2.2 基于流形学习思想的特征提取方法
1.2.3 基于非负矩阵分解思想的特征提取方法
1.3 本文主要研究工作
1.4 论文结构组织和安排
2 基于非负矩阵分解方法的特征提取相关基础理论
2.1 非负矩阵分解
2.1.1 基于欧氏距离平方的目标函数
2.1.2 基于广义KL散度的目标函数
2.2 基于稀疏约束的非负矩阵分解
2.2.1 稀疏约束非负矩阵分解的基本模型
2.2.2 稀疏约束非负矩阵分解的迭代优化算法
2.3 基于流形学习的特征提取方法
2.4 本章小结
3 基于流形学习和l_(1/2)稀疏约束的非负矩阵分解方法
3.1 算法描述
3.2 算法模型设计
3.2.1 算法模型和目标函数
3.2.2 算法模型中的去噪处理
3.2.3 算法模型中的流形学习
3.2.4 迭代更新规则
3.3 算法描述
3.4 仿真实验设计及结果分析
3.4.1 实验环境配置
3.4.2 对比算法
3.4.3 数据集
3.4.4 算法的性能评估指标
3.4.5 实验结果分析
3.5 本章小结
4 基于二部聚类思想的非负矩阵三分解方法
4.1 二部聚类
4.2 算法描述
4.3 算法模型设计
4.3.1 算法模型和目标函数
4.3.2 算法模型中的去噪处理
4.3.3 迭代更新规则
4.4 算法描述
4.5 数值实验及结果分析
4.5.1 实验环境配置
4.5.2 对比算法
4.5.3 数据集
4.5.4 算法的性能评估指标
4.5.5 实验结果分析
4.5.6 参数讨论
4.6 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]L1/2 regularization[J]. XU ZongBen 1 , ZHANG Hai 1,2 , WANG Yao 1 , CHANG XiangYu 1 & LIANG Yong 3 1 Institute of Information and System Science, Xi’an Jiaotong University, Xi’an 710049, China;2 Department of Mathematics, Northwest University, Xi’an 710069, China;3 University of Science and Technology, Macau 999078, China. Science China（Information Sciences）. 2010(06)
[2]非负矩阵分解算法综述[J]. 李乐,章毓晋. 电子学报. 2008(04)
硕士论文
[1]稀疏约束非负矩阵分解方法及其应用研究[D]. 路成.安徽大学 2017
本文编号：3570750
本文链接：https://www.wllwen.com/kejilunwen/yysx/3570750.html
