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
基于稀疏近邻表示的分类方法
被引量：
4
1
作者
王琦
惠康华
《计算机工程与设计》
CSCD
北大核心
2013年第4期1425-1431,共7页
稀疏表示分类方法 (SRC)在人脸识别方面取得了当前最好的分类结果,针对SRC存在的问题,提出稀疏近邻表示方法 (SNRC)。在局部线性嵌入方法前提假设成立的条件下,SNRC通过稀疏近邻表示实现目标分类。在几个不同数据集上的实验结果显示,SNR...
稀疏表示分类方法 (SRC)在人脸识别方面取得了当前最好的分类结果,针对SRC存在的问题,提出稀疏近邻表示方法 (SNRC)。在局部线性嵌入方法前提假设成立的条件下,SNRC通过稀疏近邻表示实现目标分类。在几个不同数据集上的实验结果显示,SNRC适用于呈非线性分布的数据集,并取得了较好的效果。进一步的分析表明,SNRC能够较好的适用于那些通过降维方法得到的低维数据的分类问题,尤其适用于基于近邻保持的一类降维方法得到的低维数据,并且具有较低的时间复杂度。
展开更多
关键词
稀疏
表示
局部线性嵌入
稀疏近邻表示
K
近邻
分类
降维
在线阅读
下载PDF
职称材料
一种非负稀疏近邻表示的多标签学习算法
2
作者
陈思宝
徐丹洋
罗斌
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2015年第6期899-904,共6页
针对训练数据中的非线性流形结构以及基于稀疏表示的多标签分类中判别信息丢失严重的问题,该文提出一种非负稀疏近邻表示的多标签学习算法。首先找到待测试样本每个标签类上的k-近邻,然后基于LASSO稀疏最小化方法,对待测试样本进行非负...
针对训练数据中的非线性流形结构以及基于稀疏表示的多标签分类中判别信息丢失严重的问题,该文提出一种非负稀疏近邻表示的多标签学习算法。首先找到待测试样本每个标签类上的k-近邻,然后基于LASSO稀疏最小化方法,对待测试样本进行非负稀疏线性重构,得到稀疏的非负重构系数。再根据重构误差计算待测试样本对每个类别的隶属度,最后实现多标签数据分类。实验结果表明所提出的方法比经典的多标签k近邻分类(ML-KNN)和稀疏表示的多标记学习算法(ML-SRC)方法性能更优。
展开更多
关键词
多标签学习
稀疏近邻表示
LASSO
稀疏
最小化
非负重构
在线阅读
下载PDF
职称材料
题名
基于稀疏近邻表示的分类方法
被引量：
4
1
作者
王琦
惠康华
机构
运城学院计算机科学与技术系
中国民航大学计算机科学与技术学院
出处
《计算机工程与设计》
CSCD
北大核心
2013年第4期1425-1431,共7页
基金
中央高校基本科研业务基金项目(ZXH2011C010)
文摘
稀疏表示分类方法 (SRC)在人脸识别方面取得了当前最好的分类结果,针对SRC存在的问题,提出稀疏近邻表示方法 (SNRC)。在局部线性嵌入方法前提假设成立的条件下,SNRC通过稀疏近邻表示实现目标分类。在几个不同数据集上的实验结果显示,SNRC适用于呈非线性分布的数据集,并取得了较好的效果。进一步的分析表明,SNRC能够较好的适用于那些通过降维方法得到的低维数据的分类问题,尤其适用于基于近邻保持的一类降维方法得到的低维数据,并且具有较低的时间复杂度。
关键词
稀疏
表示
局部线性嵌入
稀疏近邻表示
K
近邻
分类
降维
Keywords
sparse representation
locally linear embedding
sparse neighbor representation
KNN
dimensionality reduction
分类号
TP391.4 [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
一种非负稀疏近邻表示的多标签学习算法
2
作者
陈思宝
徐丹洋
罗斌
机构
f安徽大学计算机科学与技术学院
出处
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2015年第6期899-904,共6页
基金
国家863项目(2014AA015104)
国家自然科学基金(61202228,61472002)
安徽省高校自然科学研究重点项目(KJ2012A004)
文摘
针对训练数据中的非线性流形结构以及基于稀疏表示的多标签分类中判别信息丢失严重的问题,该文提出一种非负稀疏近邻表示的多标签学习算法。首先找到待测试样本每个标签类上的k-近邻,然后基于LASSO稀疏最小化方法,对待测试样本进行非负稀疏线性重构,得到稀疏的非负重构系数。再根据重构误差计算待测试样本对每个类别的隶属度,最后实现多标签数据分类。实验结果表明所提出的方法比经典的多标签k近邻分类(ML-KNN)和稀疏表示的多标记学习算法(ML-SRC)方法性能更优。
关键词
多标签学习
稀疏近邻表示
LASSO
稀疏
最小化
非负重构
Keywords
LASSO sparse minimization
multi-label learning
non-negative reconstruction
sparse neighbor representation
分类号
TP391.4 [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
作者
出处
发文年
被引量
操作
1
基于稀疏近邻表示的分类方法
王琦
惠康华
《计算机工程与设计》
CSCD
北大核心
2013
4
在线阅读
下载PDF
职称材料
2
一种非负稀疏近邻表示的多标签学习算法
陈思宝
徐丹洋
罗斌
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2015
0
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
