期刊导航
期刊开放获取
河南省图书馆
退出
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
基于图稀疏的自表达属性选择算法
被引量:
2
1
作者
钟智
胡荣耀
+1 位作者
何威
罗?
罗?
?
罗?
《计算机工程与设计》
北大核心
2016年第6期1643-1648,共6页
为解决高维数据属性维度高,不易直接应用的问题,提出通过属性自表达移除不相关和冗余属性的属性选择算法。基于稀疏学习的框架,通过属性自表达考虑属性间的相关性,利用子空间学习的局部保留投影(LPP)算法,确保属性选择时数据的局部结构...
为解决高维数据属性维度高,不易直接应用的问题,提出通过属性自表达移除不相关和冗余属性的属性选择算法。基于稀疏学习的框架,通过属性自表达考虑属性间的相关性,利用子空间学习的局部保留投影(LPP)算法,确保属性选择时数据的局部结构保持不变。实验结果表明,该算法在UCI等数据集上优于4种对比算法。
展开更多
关键词
属性选择
属性自表达
子空间学习
属性约简
稀疏学习
下载PDF
职称材料
基于自表征和群组效应的子空间聚类算法
2
作者
苏毅娟
李永钢
+2 位作者
杨利锋
孙可
罗?
罗?
?
罗?
《计算机工程与设计》
北大核心
2017年第2期534-538,共5页
为解决目前聚类算法对噪声敏感和缺乏考虑样本间相关性等问题,提出一种充分考虑样本间相关性,使构造的关联矩阵保持子空间结构的子空间聚类算法。利用2,1-norm对每个样本进行自表征;群组效应确保相近样本的自表征系数亦相近,生成块对...
为解决目前聚类算法对噪声敏感和缺乏考虑样本间相关性等问题,提出一种充分考虑样本间相关性,使构造的关联矩阵保持子空间结构的子空间聚类算法。利用2,1-norm对每个样本进行自表征;群组效应确保相近样本的自表征系数亦相近,生成块对角化的样本自表征系数矩阵;根据自表征矩阵得到关联矩阵,在谱聚类模型下实现数据聚类。在Hopkins155等数据集上的实验结果表明,在聚类错误率评判标准下,该算法优于现有经典子空间聚类算法SRC、SSC等。
展开更多
关键词
子空间聚类
自表征
群组效应
谱聚类
关联矩阵
下载PDF
职称材料
基于超图稀疏的低秩属性选择算法用于多回归分析
3
作者
罗?
罗?
?
罗?
苏毅娟
+3 位作者
雷聪
胡荣耀
杨利锋
李永钢
《计算机应用研究》
CSCD
北大核心
2018年第9期2671-2675,共5页
针对已有的多回归算法未能更好地考虑不同列类别之间的关联性,提出了一种基于超图稀疏的属性选择方法。利用稀疏理论中的l_(2,p)-范数来改进线性回归模型,结合低秩结构和超图表示来分别考虑同一类别间的局部结构和不同类别间的全局结构...
针对已有的多回归算法未能更好地考虑不同列类别之间的关联性,提出了一种基于超图稀疏的属性选择方法。利用稀疏理论中的l_(2,p)-范数来改进线性回归模型,结合低秩结构和超图表示来分别考虑同一类别间的局部结构和不同类别间的全局结构,通过子空间学习中的线性判别分析(LDA)来进一步调整重构系数矩阵的结果。经实验验证,提出的算法在六个公开数据集上相比四种对比算法,在多回归分析中均能取得更好的结果。
展开更多
关键词
多回归分析
超图表示
子空间学习
稀疏学习
下载PDF
职称材料
题名
基于图稀疏的自表达属性选择算法
被引量:
2
1
作者
钟智
胡荣耀
何威
罗?
罗?
?
罗?
机构
广西师范学院计算机与信息工程学院
广西师范大学广西多源信息挖掘与安全重点实验室
出处
《计算机工程与设计》
北大核心
2016年第6期1643-1648,共6页
基金
国家自然科学基金项目(61170131
61263035
+6 种基金
61363009)
国家863高技术研究发展计划基金项目(2012AA011005)
国家973重点基础研究发展计划基金项目(2013CB329404)
广西自然科学基金项目(2012GXNSFGA060004)
广西高校科学技术研究重点基金项目(2013ZD041)
广西研究生教育创新计划基金项目(YCSZ2015095
YCSZ2015096)
文摘
为解决高维数据属性维度高,不易直接应用的问题,提出通过属性自表达移除不相关和冗余属性的属性选择算法。基于稀疏学习的框架,通过属性自表达考虑属性间的相关性,利用子空间学习的局部保留投影(LPP)算法,确保属性选择时数据的局部结构保持不变。实验结果表明,该算法在UCI等数据集上优于4种对比算法。
关键词
属性选择
属性自表达
子空间学习
属性约简
稀疏学习
Keywords
feature selection
characteristics of self-representation
subspace learning
dimensionality reduction
sparse learning
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于自表征和群组效应的子空间聚类算法
2
作者
苏毅娟
李永钢
杨利锋
孙可
罗?
罗?
?
罗?
机构
广西师范学院计算机与信息工程学院
广西师范大学广西多源信息挖掘与安全重点实验室
出处
《计算机工程与设计》
北大核心
2017年第2期534-538,共5页
基金
国家自然科学基金项目(61450001
61263035
+7 种基金
61363009
61573270)
国家973重点基础研究发展计划基金项目(2013CB329404)
中国博士后科学基金项目(2015M570837)
广西自然科学基金项目(2012GXNSFGA060004
2015GXNSFCB139011
2015GXNSFAA139306)
广西研究生教育创新计划基金项目(YCSZ2016045)
文摘
为解决目前聚类算法对噪声敏感和缺乏考虑样本间相关性等问题,提出一种充分考虑样本间相关性,使构造的关联矩阵保持子空间结构的子空间聚类算法。利用2,1-norm对每个样本进行自表征;群组效应确保相近样本的自表征系数亦相近,生成块对角化的样本自表征系数矩阵;根据自表征矩阵得到关联矩阵,在谱聚类模型下实现数据聚类。在Hopkins155等数据集上的实验结果表明,在聚类错误率评判标准下,该算法优于现有经典子空间聚类算法SRC、SSC等。
关键词
子空间聚类
自表征
群组效应
谱聚类
关联矩阵
Keywords
subspace clustering
self-representation
grouping effect
spectral clustering
affinity matrix
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于超图稀疏的低秩属性选择算法用于多回归分析
3
作者
罗?
罗?
?
罗?
苏毅娟
雷聪
胡荣耀
杨利锋
李永钢
机构
广西师范大学广西多源信息挖掘与安全重点实验室
广西师范学院计算机与信息工程学院
出处
《计算机应用研究》
CSCD
北大核心
2018年第9期2671-2675,共5页
基金
国家自然科学基金资助项目(61450001,61672177,61573270)
国家"973"计划资助项目(2013CB329404)
+2 种基金
中国博士后科学基金资助项目(2015M570837)
广西自然科学基金资助项目(2012GXNSFGA060004,2015GXNSFCB139011,2015GXNSFAA139306)
广西研究生教育创新计划项目(XYCSZ2017064,YCSW2017065)
文摘
针对已有的多回归算法未能更好地考虑不同列类别之间的关联性,提出了一种基于超图稀疏的属性选择方法。利用稀疏理论中的l_(2,p)-范数来改进线性回归模型,结合低秩结构和超图表示来分别考虑同一类别间的局部结构和不同类别间的全局结构,通过子空间学习中的线性判别分析(LDA)来进一步调整重构系数矩阵的结果。经实验验证,提出的算法在六个公开数据集上相比四种对比算法,在多回归分析中均能取得更好的结果。
关键词
多回归分析
超图表示
子空间学习
稀疏学习
Keywords
multiple regression analysis
hypergraph representation
subspace learning
sparse learning
分类号
TP301.6 [自动化与计算机技术—计算机系统结构]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于图稀疏的自表达属性选择算法
钟智
胡荣耀
何威
罗?
罗?
?
罗?
《计算机工程与设计》
北大核心
2016
2
下载PDF
职称材料
2
基于自表征和群组效应的子空间聚类算法
苏毅娟
李永钢
杨利锋
孙可
罗?
罗?
?
罗?
《计算机工程与设计》
北大核心
2017
0
下载PDF
职称材料
3
基于超图稀疏的低秩属性选择算法用于多回归分析
罗?
罗?
?
罗?
苏毅娟
雷聪
胡荣耀
杨利锋
李永钢
《计算机应用研究》
CSCD
北大核心
2018
0
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