基于对称非负矩阵分解的信息融合方法与应用研究
发布时间：2021-10-27 14:10
信息技术的发展,使得互联网上的数据呈现出大数据特性,主要表现为体量大和多源异构,这些问题对科学管理和计算方法提出了严峻的挑战,迫切需要我们整合多个来源的数据表示形式以获得比任何单个来源的信息都要准确、可靠的知识。鉴于此,针对现有信息融合方法中的不足,本文分别研究了基于对称非负矩阵分解的信息融合模型、考虑图正则化的对称非负矩阵分解融合模型和基于对称非负矩阵分解的预测模型,并将其首次应用到跨模态信息检索任务中。具体工作如下:1.针对多个视角间可能存在一个“一致”聚类模式的假设,建立了一种基于对称非负矩阵分解的信息融合模型（Multi-view SNMF）。通过对不同视角获得的聚类指示矩阵进行标准化,将其与“一致”聚类模式的距离作为约束项引入到对称非负矩阵分解目标函数中并进行优化求解,解决了固定同一个聚类模式带来的多个视角间的数据不一致问题;而现有文献中并没有考虑将对称非负矩阵分解与该“一致性”假设结合起来进行建模的做法。实验结果表明:Multi-view SNMF模型在精度和标准互信息两个指标上有更好的表现。2.针对信息融合中聚类准确度不高、稳定性不强等问题,提出了一种考虑图正则化的对称非...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：129 页
【学位级别】：博士
【部分图文】：
图３．２?“Ｔｈｒｅｅ－ｓｏｕｒｃｅ”数据集上ＡＣ随参数儿的变化趋势??
＊？??图３．３?“Ｔｈｒｅｅ－ｓｏｕｒｃｅ”数据集上ＮＭＩ随参数丄的变化趋势??如图３．２，３．３所示：当儿值在给定的区间内变化时，相比于Ｍｕｌｔｉ－ｖｉｅｗＮＭＦ算法，Ｍｕｌｔｉ－ｖｉｅｗ??ＳＮＭＦ在两个指标上都获得了更好的性能。对于Ｔｈｒｅｅ－ｓｏｕｒｃｅ数据集，Ｍｕｌｔｉ－ｖｉｅｗ?ＳＮＭＦ在??ｌｅｆＯ．Ｏｌ，?０．１］时有最好的性能表现，而Ｍｕｌｔｉ－ｖｉｅｗＮＭＦ在儿＝０．００１达到最高的精度值，互信息??变化情况与此类似。当１＞〇．１时，两种算法的性能均出现逐渐衰减的趋势，一个可能的原因是：??随着；Ｌ的增加，目标函数中对“一致约束项”的惩罚相应增大，使得从不同视角获得的聚类模??式与“一致性”矩阵之间的“距离”保持的更近，也即是说，各视角之间、各视角与“一致性”??矩阵之间的差异更小，在极端情况下，当儿４〇〇时，／／Ｍｇ（ｖ）对不同视角共享相同的值，但即使??在这种情况下获得一致矩阵／Ｔ也不同于ＪＮＭＦ模型中直接固定一个各视角共享的聚类模式的??做法。另一方面，当儿取较小值时，目标函数中可能会出现较大的矩阵重构误差，因此聚类性??能也不理想
图３．５?ＨＭＰ数据集上ＮＭＩ随参数儿的变化趋势??４，?３．５中可以看出：两种算法均在人＝１时获得最好的表现，相较于ＭｕｌＳＮＭＦ在大多数情况下具有更好的性能（精度）；对于标准互信息而的不同变化区间均具有更加稳定和良好的表现。宄其原因主要在用图（网络）表示原始数据的空间结构，并封装实例之间的关系，这象之间非线性、复杂的结构关系时往往具有意想不到的效果。如３．１
【参考文献】：
期刊论文
[1]“数据—信息—知识”整体视角下的知识融合初探——数据融合、信息融合、知识融合的关联与比较[J]. 祝振媛,李广建. 情报理论与实践. 2017(02)
[2]几何结构保持非负矩阵分解的数据表达方法[J]. 李冰锋,唐延东,韩志. 信息与控制. 2017(01)
[3]基于决策分析的社交网络链路预测方法[J]. 李永立,罗鹏,张书瑞. 管理科学学报. 2017(01)
[4]基于相关性的跨模态信息检索研究[J]. 丁恒,陆伟. 现代图书情报技术. 2016(01)
[5]基于信息融合的数据挖掘方法在公司财务预警中的应用[J]. 张亮,张玲玲,陈懿冰,腾伟丽. 中国管理科学. 2015(10)
[6]大数据中的管理问题:基于大数据的资源观[J]. 杨善林,周开乐. 管理科学学报. 2015(05)
[7]用户行为驱动的在线社交网络建模[J]. 李倩倩,顾基发. 系统工程学报. 2015(01)
[8]基于距离熵的应急决策层信息融合方法[J]. 管清云,陈雪龙,王延章. 系统工程理论与实践. 2015(01)
[9]Link prediction in social networks: the state-of-the-art[J]. WANG Peng,XU BaoWen,WU YuRong,ZHOU XiaoYu. Science China（Information Sciences）. 2015(01)
[10]大数据驱动的管理与决策前沿课题[J]. 徐宗本,冯芷艳,郭迅华,曾大军,陈国青. 管理世界. 2014(11)
博士论文
[1]基于维数约简的无监督聚类算法研究[D]. 杜世强.兰州大学 2017
[2]基于半监督学习的木材识别研究[D]. 卢纪丽.山东大学 2015
[3]基于深度学习的跨模态检索研究[D]. 冯方向.北京邮电大学 2015
[4]异构信息网络检索技术研究[D]. 刘钰峰.湖南大学 2014
[5]基于数据挖掘与信息融合的瓦斯灾害预测方法研究[D]. 彭泓.中国矿业大学（北京） 2013
[6]基于图的半监督学习及其应用研究[D]. 潘俊.浙江大学 2011
[7]基于数据挖掘与信息融合的故障诊断方法研究[D]. 孙卫祥.上海交通大学 2006
本文编号：3461764
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：129 页
【学位级别】：博士
【部分图文】：
图３．２?“Ｔｈｒｅｅ－ｓｏｕｒｃｅ”数据集上ＡＣ随参数儿的变化趋势??
＊？??图３．３?“Ｔｈｒｅｅ－ｓｏｕｒｃｅ”数据集上ＮＭＩ随参数丄的变化趋势??如图３．２，３．３所示：当儿值在给定的区间内变化时，相比于Ｍｕｌｔｉ－ｖｉｅｗＮＭＦ算法，Ｍｕｌｔｉ－ｖｉｅｗ??ＳＮＭＦ在两个指标上都获得了更好的性能。对于Ｔｈｒｅｅ－ｓｏｕｒｃｅ数据集，Ｍｕｌｔｉ－ｖｉｅｗ?ＳＮＭＦ在??ｌｅｆＯ．Ｏｌ，?０．１］时有最好的性能表现，而Ｍｕｌｔｉ－ｖｉｅｗＮＭＦ在儿＝０．００１达到最高的精度值，互信息??变化情况与此类似。当１＞〇．１时，两种算法的性能均出现逐渐衰减的趋势，一个可能的原因是：??随着；Ｌ的增加，目标函数中对“一致约束项”的惩罚相应增大，使得从不同视角获得的聚类模??式与“一致性”矩阵之间的“距离”保持的更近，也即是说，各视角之间、各视角与“一致性”??矩阵之间的差异更小，在极端情况下，当儿４〇〇时，／／Ｍｇ（ｖ）对不同视角共享相同的值，但即使??在这种情况下获得一致矩阵／Ｔ也不同于ＪＮＭＦ模型中直接固定一个各视角共享的聚类模式的??做法。另一方面，当儿取较小值时，目标函数中可能会出现较大的矩阵重构误差，因此聚类性??能也不理想
图３．５?ＨＭＰ数据集上ＮＭＩ随参数儿的变化趋势??４，?３．５中可以看出：两种算法均在人＝１时获得最好的表现，相较于ＭｕｌＳＮＭＦ在大多数情况下具有更好的性能（精度）；对于标准互信息而的不同变化区间均具有更加稳定和良好的表现。宄其原因主要在用图（网络）表示原始数据的空间结构，并封装实例之间的关系，这象之间非线性、复杂的结构关系时往往具有意想不到的效果。如３．１
【参考文献】：
期刊论文
[1]“数据—信息—知识”整体视角下的知识融合初探——数据融合、信息融合、知识融合的关联与比较[J]. 祝振媛,李广建. 情报理论与实践. 2017(02)
[2]几何结构保持非负矩阵分解的数据表达方法[J]. 李冰锋,唐延东,韩志. 信息与控制. 2017(01)
[3]基于决策分析的社交网络链路预测方法[J]. 李永立,罗鹏,张书瑞. 管理科学学报. 2017(01)
[4]基于相关性的跨模态信息检索研究[J]. 丁恒,陆伟. 现代图书情报技术. 2016(01)
[5]基于信息融合的数据挖掘方法在公司财务预警中的应用[J]. 张亮,张玲玲,陈懿冰,腾伟丽. 中国管理科学. 2015(10)
[6]大数据中的管理问题:基于大数据的资源观[J]. 杨善林,周开乐. 管理科学学报. 2015(05)
[7]用户行为驱动的在线社交网络建模[J]. 李倩倩,顾基发. 系统工程学报. 2015(01)
[8]基于距离熵的应急决策层信息融合方法[J]. 管清云,陈雪龙,王延章. 系统工程理论与实践. 2015(01)
[9]Link prediction in social networks: the state-of-the-art[J]. WANG Peng,XU BaoWen,WU YuRong,ZHOU XiaoYu. Science China（Information Sciences）. 2015(01)
[10]大数据驱动的管理与决策前沿课题[J]. 徐宗本,冯芷艳,郭迅华,曾大军,陈国青. 管理世界. 2014(11)
博士论文
[1]基于维数约简的无监督聚类算法研究[D]. 杜世强.兰州大学 2017
[2]基于半监督学习的木材识别研究[D]. 卢纪丽.山东大学 2015
[3]基于深度学习的跨模态检索研究[D]. 冯方向.北京邮电大学 2015
[4]异构信息网络检索技术研究[D]. 刘钰峰.湖南大学 2014
[5]基于数据挖掘与信息融合的瓦斯灾害预测方法研究[D]. 彭泓.中国矿业大学（北京） 2013
[6]基于图的半监督学习及其应用研究[D]. 潘俊.浙江大学 2011
[7]基于数据挖掘与信息融合的故障诊断方法研究[D]. 孙卫祥.上海交通大学 2006
本文编号：3461764
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3461764.html
