基于矩阵指数的大规模半监督判别嵌入加速算法与增量算法研究

发布时间：2021-06-06 08:54

　　在各种模式分类问题中,半监督学习算法在利用未标记样本数据方面比一些监督学习算法和无监督学习算法有着更好的优势。半监督判别嵌入算法（Semi-supervised discriminant embedding,SDE）是局部判别嵌入算法（Local discriminant embedding,LDE）的半监督扩展。然而,在处理高维数据时,SDE常常会遇到小样本问题。为了解决这一问题,利用矩阵指数的性质,有人提出了指数半监督判别嵌入算法（ESDE）。尽管ESDE对高维数据的判别能力较强,但是计算量和存储量都很大。为了克服这一缺点,本文的第一个贡献是提出了一种ESDE的加速算法,关键是将（9×（9维的大矩阵指数问题等价地转化为9）×9）维的小矩阵问题,其中（9是数据维数,9）是训练样本数,这里（9远远大于9）。另一方面,在许多实际应用中,很可能事先无法获得整个标记样本的训练集,并且训练数据是动态增加的,增加的样本可能是有标记的也可能是无标记的。为了解决这个问题,许多增量半监督学习算法被提出。目前,据我们所知,还没有关于矩阵指数的增量算法。为了填补这一空白,本文的第二个贡献是提出了解决增量问... 

【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】：52 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
变量注释表
1 绪论
    1.1 研究背景及现状
    1.2 研究内容
2 预备知识
    2.1 局部判别嵌入算法(LDE)和半监督判别嵌入算法(SDE) . . . . . . . . . . . . .
    2.2 指数局部判别嵌入算法(ELDE)和指数半监督判别嵌入算法(ESDE)
3 指数半监督判别嵌入算法的加速算法
    3.1 有效地规范化矩阵(3(3和(3(3
    3.2 高效计算大规模矩阵指数
    3.3 加速求解大规模矩阵指数特征问题
4 指数半监督判别嵌入算法的增量算法
    4.1 所有增加的样本都是未标记样本
    4.2 所有增加的样本都是标记样本
5 数值实验
    5.1 提出的加速算法的有效性
    5.2 未标记样本的增量问题
    5.3 标记样本的增量问题
    5.4 标记样本和未标记样本的增量问题
6 结论
参考文献
作者简历
学位论文数据集


【参考文献】：
期刊论文
[1]基于矩阵指数变换的边界Fisher分析[J]. 何进荣,丁立新,崔梦天,胡庆辉.  计算机学报. 2014(10)



本文编号：3214044