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
3
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
非负半监督函数型聚类方法
被引量：
4
1
作者
姚晓红
黄恒君
《计算机科学与探索》
CSCD
北大核心
2021年第12期2438-2448,共11页
函数型聚类分析是探索函数型数据的重要工具,现有的函数型聚类方法大多属于无监督学习,没有考虑到数据的标签信息。针对目前函数型聚类方法的无监督特性,以及函数型数据通常具备的非负性特征,提出了一种非负半监督函数型聚类方法(SSNFC)...
函数型聚类分析是探索函数型数据的重要工具,现有的函数型聚类方法大多属于无监督学习,没有考虑到数据的标签信息。针对目前函数型聚类方法的无监督特性,以及函数型数据通常具备的非负性特征,提出了一种非负半监督函数型聚类方法(SSNFC),用于处理带有少量标签信息的非负函数型数据的聚类问题。首先,通过引入约束非负矩阵分解(CNMF)技术,将标签信息融入函数型聚类过程中,构建了曲线拟合、非负约束和函数型聚类相统一的一步法模型。其次,给出了模型的迭代更新求解算法,证明了算法的局部收敛性,并分析了算法的时间复杂度。最后,在随机模拟数据、Growth数据和TIMIT语音数据的实验结果表明,与无监督函数型聚类方法相比较,提出的非负半监督函数型聚类方法SSNFC有助于提高聚类性能。
展开更多
关键词
函数型数据
聚类分析
半监督学习
约束非负矩阵分解
在线阅读
下载PDF
职称材料
二进制约束下的NMF方法及其应用
2
作者
陈清华
陈六君
郭金忠
《北京师范大学学报（自然科学版）》
CAS
CSCD
北大核心
2009年第1期96-100,共5页
在普通非负矩阵分解(NMF)方法基础上提出了3个二进制约束非负矩阵分解(3bNMF)算法,对分解矩阵和恢复矩阵元素增加了二进制数的约束,从而更适合对二进制数据进行处理.分别给出了3bNMF算法在数字矩阵分解和有噪声情况下汉字偏旁部首提取...
在普通非负矩阵分解(NMF)方法基础上提出了3个二进制约束非负矩阵分解(3bNMF)算法,对分解矩阵和恢复矩阵元素增加了二进制数的约束,从而更适合对二进制数据进行处理.分别给出了3bNMF算法在数字矩阵分解和有噪声情况下汉字偏旁部首提取中的应用实例,并与普通NMF方法所处理的结果进行了比较.
展开更多
关键词
矩阵
分解
二进制数据
非
负
矩阵
分解
3个二进制
约束非负矩阵分解
在线阅读
下载PDF
职称材料
气动目标多频点调制谱融合增强识别方法
3
作者
赵庆媛
赵志强
+1 位作者
叶春茂
鲁耀兵
《系统工程与电子技术》
EI
CSCD
北大核心
2023年第7期2043-2050,共8页
预警雷达探测过程中气动目标微动回波能量弱导致识别性能不稳定。针对该问题,提出一种基于稀疏约束非负矩阵分解(sparse constrained non-negative matrix factorization,SCNMF)和集成极限学习机(integrated extreme learning machine,I...
预警雷达探测过程中气动目标微动回波能量弱导致识别性能不稳定。针对该问题,提出一种基于稀疏约束非负矩阵分解(sparse constrained non-negative matrix factorization,SCNMF)和集成极限学习机(integrated extreme learning machine,IELM)的多频点调制谱融合增强识别方法。通过分析微动部件回波特性,对多频点频域幅度谱进行SCNMF处理实现像素级融合得到特征增强后的稀疏调制谱,并将其作为样本输入IELM,实现气动目标类型识别。仿真和实测数据表明,本文方法能够有效融合多频点微动特征,具有抗噪能力强、所需训练样本少和识别性能稳健等优势。
展开更多
关键词
调制谱
气动目标
稀疏
约束非负矩阵分解
集成极限学习机
在线阅读
下载PDF
职称材料
题名
非负半监督函数型聚类方法
被引量：
4
1
作者
姚晓红
黄恒君
机构
兰州财经大学统计学院
出处
《计算机科学与探索》
CSCD
北大核心
2021年第12期2438-2448,共11页
基金
国家社会科学基金(20XTJ005)
中央引导地方科技发展项目(GSK215115)
+1 种基金
甘肃省“飞天学者”特聘教授项目
兰州财经大学科研项目(Lzufe2018D-03)。
文摘
函数型聚类分析是探索函数型数据的重要工具,现有的函数型聚类方法大多属于无监督学习,没有考虑到数据的标签信息。针对目前函数型聚类方法的无监督特性,以及函数型数据通常具备的非负性特征,提出了一种非负半监督函数型聚类方法(SSNFC),用于处理带有少量标签信息的非负函数型数据的聚类问题。首先,通过引入约束非负矩阵分解(CNMF)技术,将标签信息融入函数型聚类过程中,构建了曲线拟合、非负约束和函数型聚类相统一的一步法模型。其次,给出了模型的迭代更新求解算法,证明了算法的局部收敛性,并分析了算法的时间复杂度。最后,在随机模拟数据、Growth数据和TIMIT语音数据的实验结果表明,与无监督函数型聚类方法相比较,提出的非负半监督函数型聚类方法SSNFC有助于提高聚类性能。
关键词
函数型数据
聚类分析
半监督学习
约束非负矩阵分解
Keywords
functional data
clustering analysis
semi-supervised learning
constrained non-negative matrix factorization
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
二进制约束下的NMF方法及其应用
2
作者
陈清华
陈六君
郭金忠
机构
北京师范大学管理学院
出处
《北京师范大学学报（自然科学版）》
CAS
CSCD
北大核心
2009年第1期96-100,共5页
基金
国家自然科学基金资助项目(60774085
60534080
+1 种基金
70601002)
北京师范大学青年教师科学基金资助项目
文摘
在普通非负矩阵分解(NMF)方法基础上提出了3个二进制约束非负矩阵分解(3bNMF)算法,对分解矩阵和恢复矩阵元素增加了二进制数的约束,从而更适合对二进制数据进行处理.分别给出了3bNMF算法在数字矩阵分解和有噪声情况下汉字偏旁部首提取中的应用实例,并与普通NMF方法所处理的结果进行了比较.
关键词
矩阵
分解
二进制数据
非
负
矩阵
分解
3个二进制
约束非负矩阵分解
Keywords
matrix factorization
binary data
NMF
3bNMF
分类号
TP311.13 [自动化与计算机技术—计算机软件与理论]
TQ658.2 [化学工程—精细化工]
在线阅读
下载PDF
职称材料
题名
气动目标多频点调制谱融合增强识别方法
3
作者
赵庆媛
赵志强
叶春茂
鲁耀兵
机构
北京无线电测量研究所
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2023年第7期2043-2050,共8页
基金
国家自然科学基金(60831001)
国防基金(9140A31010109HK0101)资助课题。
文摘
预警雷达探测过程中气动目标微动回波能量弱导致识别性能不稳定。针对该问题,提出一种基于稀疏约束非负矩阵分解(sparse constrained non-negative matrix factorization,SCNMF)和集成极限学习机(integrated extreme learning machine,IELM)的多频点调制谱融合增强识别方法。通过分析微动部件回波特性,对多频点频域幅度谱进行SCNMF处理实现像素级融合得到特征增强后的稀疏调制谱,并将其作为样本输入IELM,实现气动目标类型识别。仿真和实测数据表明,本文方法能够有效融合多频点微动特征,具有抗噪能力强、所需训练样本少和识别性能稳健等优势。
关键词
调制谱
气动目标
稀疏
约束非负矩阵分解
集成极限学习机
Keywords
modulation spectrum
pneumatic target
sparse constrained non-negative matrix factorization
integrated extreme learning machine(IELM)
分类号
TN95 [电子电信—信号与信息处理]
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
非负半监督函数型聚类方法
姚晓红
黄恒君
《计算机科学与探索》
CSCD
北大核心
2021
4
在线阅读
下载PDF
职称材料
2
二进制约束下的NMF方法及其应用
陈清华
陈六君
郭金忠
《北京师范大学学报（自然科学版）》
CAS
CSCD
北大核心
2009
0
在线阅读
下载PDF
职称材料
3
气动目标多频点调制谱融合增强识别方法
赵庆媛
赵志强
叶春茂
鲁耀兵
《系统工程与电子技术》
EI
CSCD
北大核心
2023
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
