期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
一致块对角和限定的多视角子空间聚类算法
1
作者
吴杰
万源
刘秋杰
《计算机科学》
北大核心
2025年第4期138-146,共9页
子空间聚类方法为高维多视角数据的聚类问题提供了有效的解决方案。针对现有算法利用低秩或稀疏约束通过模型的特定性质不能使得表示矩阵直接具有块对角性的问题,提出了一致块对角和限定的多视角子空间聚类算法(CBDE-MSC)。CBDE-MSC将...
子空间聚类方法为高维多视角数据的聚类问题提供了有效的解决方案。针对现有算法利用低秩或稀疏约束通过模型的特定性质不能使得表示矩阵直接具有块对角性的问题,提出了一致块对角和限定的多视角子空间聚类算法(CBDE-MSC)。CBDE-MSC将各个视角的子空间表示矩阵分解为一致自表示矩阵和特定自表示矩阵。对于一致自表示矩阵,使用块对角约束使其具有近似的块对角结构,探索数据的一致性;对于特定自表示矩阵,在其间施加限定性约束,探索数据的互补性。使用矩阵L_(2,1)范数约束误差矩阵,使其满足行稀疏。此外,使用交替方向乘子法(ADMM)优化目标函数。采用归一化互信息(NMI)、正确率(ACC)、调整兰德指数(AR)和F分数(F-score)等评价指标,对CBDE-MSC进行了评估。实验结果表明,CBDE-MSC与现有的一些优良算法相比,4个指标的结果均有较大的提升,尤其是在YaleB数据集上,相比于经典方法CSMSC,其NMI,ACC,AR和F-score分别提升了0.088,0.127,0.145和0.122。实验结果验证了所提算法的有效性。
展开更多
关键词
子空间聚类
多视角学习
表示
学习
块对角表示
在线阅读
下载PDF
职称材料
基于近邻图改进的块对角子空间聚类算法
被引量：
2
2
作者
王丽娟
陈少敏
+4 位作者
尹明
许跃颖
郝志峰
蔡瑞初
温雯
《计算机应用》
CSCD
北大核心
2021年第1期36-42,共7页
块对角表示(BDR)模型可以通过利用线性表示对数据有效地进行聚类,却无法很好地利用高维数据常见的非线性流形结构信息。针对这一问题,提出了基于近邻图改进的块对角子空间聚类(BDRNG)算法来通过近邻图来线性拟合高维数据的局部几何结构...
块对角表示(BDR)模型可以通过利用线性表示对数据有效地进行聚类,却无法很好地利用高维数据常见的非线性流形结构信息。针对这一问题,提出了基于近邻图改进的块对角子空间聚类(BDRNG)算法来通过近邻图来线性拟合高维数据的局部几何结构,并通过块对角约束来生成具有全局信息的块对角结构。BDRNG同时学习全局信息以及局部数据结构,从而获得更好的聚类表现。由于模型包含近邻图算子和非凸的块对角表示范数,BDRNG采用了交替最小化来优化求解算法。实验结果如下:在噪声数据集上,BDRNG能够生成稳定的块对角结构系数矩阵,这说明了BDRNG对于噪声数据具有鲁棒性;在标准数据集上,BDRNG的聚类表现均优于BDR,尤其在人脸数据集上,相较于BDR,BDRNG的聚类准确度提高了8%。
展开更多
关键词
近邻图
块对角表示
稀疏
表示
子空间聚类
高维数据
在线阅读
下载PDF
职称材料
题名
一致块对角和限定的多视角子空间聚类算法
1
作者
吴杰
万源
刘秋杰
机构
武汉理工大学理学院
出处
《计算机科学》
北大核心
2025年第4期138-146,共9页
基金
中央高校基本科研业务费专项基金(2021Ⅲ030JC)。
文摘
子空间聚类方法为高维多视角数据的聚类问题提供了有效的解决方案。针对现有算法利用低秩或稀疏约束通过模型的特定性质不能使得表示矩阵直接具有块对角性的问题,提出了一致块对角和限定的多视角子空间聚类算法(CBDE-MSC)。CBDE-MSC将各个视角的子空间表示矩阵分解为一致自表示矩阵和特定自表示矩阵。对于一致自表示矩阵,使用块对角约束使其具有近似的块对角结构,探索数据的一致性;对于特定自表示矩阵,在其间施加限定性约束,探索数据的互补性。使用矩阵L_(2,1)范数约束误差矩阵,使其满足行稀疏。此外,使用交替方向乘子法(ADMM)优化目标函数。采用归一化互信息(NMI)、正确率(ACC)、调整兰德指数(AR)和F分数(F-score)等评价指标,对CBDE-MSC进行了评估。实验结果表明,CBDE-MSC与现有的一些优良算法相比,4个指标的结果均有较大的提升,尤其是在YaleB数据集上,相比于经典方法CSMSC,其NMI,ACC,AR和F-score分别提升了0.088,0.127,0.145和0.122。实验结果验证了所提算法的有效性。
关键词
子空间聚类
多视角学习
表示
学习
块对角表示
Keywords
Subspace clustering
Multi-view learning
Representation learning
Block diagonal representation
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于近邻图改进的块对角子空间聚类算法
被引量：
2
2
作者
王丽娟
陈少敏
尹明
许跃颖
郝志峰
蔡瑞初
温雯
机构
广东工业大学计算机学院
广东工业大学自动化学院
北京师范大学珠海分校信息技术学院
佛山科学技术学院数学与大数据学院
出处
《计算机应用》
CSCD
北大核心
2021年第1期36-42,共7页
基金
国家自然科学基金资助项目(61502108,61876042,61876043)
NSFC-广东联合基金资助项目(U1501254)。
文摘
块对角表示(BDR)模型可以通过利用线性表示对数据有效地进行聚类,却无法很好地利用高维数据常见的非线性流形结构信息。针对这一问题,提出了基于近邻图改进的块对角子空间聚类(BDRNG)算法来通过近邻图来线性拟合高维数据的局部几何结构,并通过块对角约束来生成具有全局信息的块对角结构。BDRNG同时学习全局信息以及局部数据结构,从而获得更好的聚类表现。由于模型包含近邻图算子和非凸的块对角表示范数,BDRNG采用了交替最小化来优化求解算法。实验结果如下:在噪声数据集上,BDRNG能够生成稳定的块对角结构系数矩阵,这说明了BDRNG对于噪声数据具有鲁棒性;在标准数据集上,BDRNG的聚类表现均优于BDR,尤其在人脸数据集上,相较于BDR,BDRNG的聚类准确度提高了8%。
关键词
近邻图
块对角表示
稀疏
表示
子空间聚类
高维数据
Keywords
neighbor graph
Block Diagonal Representation(BDR)
sparse representation
subspace clustering
highdimensional data
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一致块对角和限定的多视角子空间聚类算法
吴杰
万源
刘秋杰
《计算机科学》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于近邻图改进的块对角子空间聚类算法
王丽娟
陈少敏
尹明
许跃颖
郝志峰
蔡瑞初
温雯
《计算机应用》
CSCD
北大核心
2021
2
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
