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
多通道Laplacian矩阵融合的超图直推学习模型
1
作者
徐良奎
杨哲
+1 位作者
吴国荣
赵雷
《小型微型计算机系统》
CSCD
北大核心
2023年第11期2566-2575,共10页
超图直推学习模型是机器学习领域研究热点.超图模型的性能取决于构造的超图结构及其Laplacian矩阵的质量.现有超图模型基于单一超图结构,信息表达能力有限.本文提出超图结构扩张法,将异构超图的关联矩阵和权重矩阵拼接,融合更多的顶点...
超图直推学习模型是机器学习领域研究热点.超图模型的性能取决于构造的超图结构及其Laplacian矩阵的质量.现有超图模型基于单一超图结构,信息表达能力有限.本文提出超图结构扩张法,将异构超图的关联矩阵和权重矩阵拼接,融合更多的顶点间全局高阶信息,增加Markov随机游走的扩散范围.但这会导致矩阵维度高,计算开销大.因此进一步提出多通道Laplacian矩阵融合法,用多个通道计算异构超图结构各自的Laplacian矩阵,再加权累加.在4个数据集上的实验表明,两种方法都能提高超图直推学习模型的分类性能,且Laplacian矩阵融合法比结构扩张法平均节约40%左右时间成本,F1指标最高提升8.4%.
展开更多
关键词
超图直推学习
超图结构扩张
超图
laplacian
矩阵
多通道
laplacian
矩阵融合
下载PDF
职称材料
基于超图和样本自表征的谱聚类算法
被引量:
2
2
作者
李永钢
苏毅娟
+1 位作者
何威
雷聪
《计算机应用研究》
CSCD
北大核心
2017年第6期1621-1625,共5页
针对传统谱聚类算法仅考虑数据点对点间的相互关系而未考虑数据间可能隐藏的复杂的相关性的问题,提出一种基于超图和自表征的谱聚类方法。首先,建立数据的超图,得到超图的拉普拉斯矩阵表示;然后利用l_(2,1)-范数对样本进行行稀疏自表征...
针对传统谱聚类算法仅考虑数据点对点间的相互关系而未考虑数据间可能隐藏的复杂的相关性的问题,提出一种基于超图和自表征的谱聚类方法。首先,建立数据的超图,得到超图的拉普拉斯矩阵表示;然后利用l_(2,1)-范数对样本进行行稀疏自表征,同时融入超图来描述数据间多层次的相互关系;最后,利用生成的自表征系数进行谱聚类。利用基于超图的样本自表征技术考虑了样本之间复杂的相关性。通过在Hopkins155等数据集上的实验表明,在聚类错误率评判标准下,算法优于现有基于普通图的谱聚类算法SSC、SRC等。
展开更多
关键词
谱聚类
超图
超图拉普拉斯
样本自表征
下载PDF
职称材料
超图拉普拉斯稀疏编码在图像识别中的应用
3
作者
周钦青
曾爱林
《计算机应用与软件》
CSCD
北大核心
2014年第10期183-185,250,共4页
稀疏编码已经成为一种有效的降维方法。由于编码字典的超完备性、特征之间的局部邻接信息和相似度在编码过程中丢失而降低了稀疏编码的识别率。为了保护特征之间的距离关系和相似信息,提出一种超图稀疏编码框架。这种结构融合相似度权...
稀疏编码已经成为一种有效的降维方法。由于编码字典的超完备性、特征之间的局部邻接信息和相似度在编码过程中丢失而降低了稀疏编码的识别率。为了保护特征之间的距离关系和相似信息,提出一种超图稀疏编码框架。这种结构融合相似度权重进入稀疏编码计算过程中,同时结合超图理论,对稀疏编码方法进行改进,增强了稀疏编码的鲁棒性。最后,在Caltech及Scene两大场景数据库上的实验验证了所提方法的有效性。
展开更多
关键词
图像识别
特征抽取
拉普拉斯
稀疏编码
超图理论
下载PDF
职称材料
题名
多通道Laplacian矩阵融合的超图直推学习模型
1
作者
徐良奎
杨哲
吴国荣
赵雷
机构
苏州大学计算机科学与技术学院
江苏省计算机信息处理技术重点实验室
江苏省大数据智能工程实验室
高等计算医学实验室北卡罗来纳大学教堂山分校
出处
《小型微型计算机系统》
CSCD
北大核心
2023年第11期2566-2575,共10页
基金
国家自然科学基金项目(61772356,61876117)资助。
文摘
超图直推学习模型是机器学习领域研究热点.超图模型的性能取决于构造的超图结构及其Laplacian矩阵的质量.现有超图模型基于单一超图结构,信息表达能力有限.本文提出超图结构扩张法,将异构超图的关联矩阵和权重矩阵拼接,融合更多的顶点间全局高阶信息,增加Markov随机游走的扩散范围.但这会导致矩阵维度高,计算开销大.因此进一步提出多通道Laplacian矩阵融合法,用多个通道计算异构超图结构各自的Laplacian矩阵,再加权累加.在4个数据集上的实验表明,两种方法都能提高超图直推学习模型的分类性能,且Laplacian矩阵融合法比结构扩张法平均节约40%左右时间成本,F1指标最高提升8.4%.
关键词
超图直推学习
超图结构扩张
超图
laplacian
矩阵
多通道
laplacian
矩阵融合
Keywords
hypergraph
transduction learning
hypergraph
structure expansion
laplacian
matrix
of
hypergraph
multi-channel
laplacian
matrix
fusion
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于超图和样本自表征的谱聚类算法
被引量:
2
2
作者
李永钢
苏毅娟
何威
雷聪
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
2017年第6期1621-1625,共5页
基金
国家自然科学基金资助项目(61450001
61263035
+7 种基金
61573270)
国家"973"计划资助项目(2013CB329404)
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资助项目(YCSZ2016045
XYCSZ2017064)
文摘
针对传统谱聚类算法仅考虑数据点对点间的相互关系而未考虑数据间可能隐藏的复杂的相关性的问题,提出一种基于超图和自表征的谱聚类方法。首先,建立数据的超图,得到超图的拉普拉斯矩阵表示;然后利用l_(2,1)-范数对样本进行行稀疏自表征,同时融入超图来描述数据间多层次的相互关系;最后,利用生成的自表征系数进行谱聚类。利用基于超图的样本自表征技术考虑了样本之间复杂的相关性。通过在Hopkins155等数据集上的实验表明,在聚类错误率评判标准下,算法优于现有基于普通图的谱聚类算法SSC、SRC等。
关键词
谱聚类
超图
超图拉普拉斯
样本自表征
Keywords
spectral clustering
hypergraph
hypergraph laplacian matrix
sample self-representation
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
超图拉普拉斯稀疏编码在图像识别中的应用
3
作者
周钦青
曾爱林
机构
顺德职业技术学院
出处
《计算机应用与软件》
CSCD
北大核心
2014年第10期183-185,250,共4页
基金
广东省教育学"十二五"规则课题(2012JK304)
文摘
稀疏编码已经成为一种有效的降维方法。由于编码字典的超完备性、特征之间的局部邻接信息和相似度在编码过程中丢失而降低了稀疏编码的识别率。为了保护特征之间的距离关系和相似信息,提出一种超图稀疏编码框架。这种结构融合相似度权重进入稀疏编码计算过程中,同时结合超图理论,对稀疏编码方法进行改进,增强了稀疏编码的鲁棒性。最后,在Caltech及Scene两大场景数据库上的实验验证了所提方法的有效性。
关键词
图像识别
特征抽取
拉普拉斯
稀疏编码
超图理论
Keywords
Image recognition
Feature extraction
laplacian
matrix
Sparse coding
hypergraph
theory
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
多通道Laplacian矩阵融合的超图直推学习模型
徐良奎
杨哲
吴国荣
赵雷
《小型微型计算机系统》
CSCD
北大核心
2023
0
下载PDF
职称材料
2
基于超图和样本自表征的谱聚类算法
李永钢
苏毅娟
何威
雷聪
《计算机应用研究》
CSCD
北大核心
2017
2
下载PDF
职称材料
3
超图拉普拉斯稀疏编码在图像识别中的应用
周钦青
曾爱林
《计算机应用与软件》
CSCD
北大核心
2014
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