具有鲁棒性的正交约束多视图子空间聚类算法

通过直接处理原始数据的每个视图,多视图子空间聚类算法通常可以获得潜在的子空间表示矩阵.然而,这些方法往往低估了冗余数据的影响,因此在潜在子空间表示中准确捕捉精确的聚类结果具有挑战性.此外,用于产生聚类结果的K-means算法很容易忽略子空间内数据的局部结构,导致结果不稳定.针对上述问题,本文提出了一种多视图子空间方法来获取高质量的子空间表示.具体来说,首先通过特征分解方法获得鲁棒性表示.然后,为多个视图构建一个联合潜在子空间表示.接下来,使用谱旋转来获得聚类结果,并对划分矩阵采用正交约束来重构子空间,从而提高聚类性能.最后,使用迭代优化算法来解决相关的优化问题.本文在5个基准数据集上进行了实验,结果表明,与最近的多视图聚类算法相比,本文的算法更加有效.

基于一步张量学习的多视图子空间聚类

现有多视图子空间聚类算法通常先进行张量表示学习,进而将学习到的表示张量融合为统一的亲和度矩阵.然而,因其独立地学习表示张量和亲和度矩阵,忽略了两者之间的高度相关性.为了解决此问题,提出一种基于一步张量学习的多视图子空间聚类方法,联合学习表示张量和亲和度矩阵.具体地,该方法对表示张量施加低秩张量约束,以挖掘视图的高阶相关性.利用自适应最近邻法对亲和度矩阵进行灵活重建.使用交替方向乘子法对模型进行优化求解,通过对真实多视图数据的实验表明,较于最新的多视图聚类方法,提出的算法具有更好的聚类准确性.

空间视图在图形数据更新中的应用研究

在研究Geodatabase数据模型的基础上,给出了空间视图的定义,探讨了基于空间视图的图形数据更新过程,设计了更新的结构图和活动图。

鲁棒自加权的多视图子空间聚类

随着收集和存储数据的能力不断提高,真实数据通常由不同的表现形式(视图)组成。因此多视图学习在机器学习与模式识别领域中扮演着重要的角色。近年来,多种多视图学习方法被提出并应用于不同的实际场景中。然而,在目标函数中大部分数据点存在平方残差,少数误差较大的离群点很容易令目标函数失效,因此如何处理冗余数据是多视图学习面临的重要挑战。为解决上述问题,提出一种鲁棒自加权的多视图子空间聚类模型。该模型利用Frobenius范数来处理数据的平方误差的同时利用ℓ1范数来处理数据的离群点,有效地平衡了离群点与普通数据点对性能的影响。此外,与通过引入超参数来衡量不同视图对模型的影响的传统方法不同,该模型自动学习了每个视图的权重。由于该模型是一个非光滑非凸问题,很难直接求解,设计了一个有效的算法并分析了算法的收敛性和计算复杂度。相比于传统的多视图子空间聚类算法,在多个多视图数据集上的实验结果表明了算法的有效性。

基于深度自编码的多视图子空间聚类网络

传统子空间浅层聚类模型对于多视图和非线性数据的聚类性能不佳。为此,提出一种基于深度自编码器的多视图子空间聚类网络模型,通过在深度自编码器中引入子空间聚类中的“自我表示”特性以及加权稀疏表示,提升了多视图子空间聚类算法的学习能力。推导的深度自编码多视图子空间聚类算法能够聚类具有复杂结构的数据点。通过多视图数据集验证了提出算法的有效性。结果表明,该方法能够有效地挖掘数据固有的多样性聚类结构,并利用多个视图之间互补信息,在性能上与现有方法相比有较大的提升。

特征直连与结构化约束的多视图子空间聚类

多视图子空间聚类作为处理多视图数据的聚类算法,其目的在于学习到一个共识的子空间后用于聚类。但是,现存的多视图子空间聚类算法只是将目标放在了原有的多个视图上,忽略了通过特征直连得到的数据。提出的FSMC算法使原有的多个视图与特征直连视图相互学习,通过误差重构和结构化约束子空间得到一个更加合适的子空间表示,同时还考虑了多视图与特征直连视图的权重关系。最后,在4个基准数据集上进行实验,验证了算法的有效性。

基于张量学习的潜在多视图子空间聚类

现有的基于张量的多视图子空间聚类方法在学习过程中仅考虑张量的全局低秩结构,忽略了表示矩阵的局部信息,且这些方法因数据维度高易受到噪声干扰。提出了一种基于张量学习的潜在多视图子空间聚类方法(TLLMSC)。将高维多视图数据投影到低维嵌入空间中,以便学习到干净字典,消除冗余信息及噪声对聚类性能的影响;将低秩投影融入到基于张量学习的多视图子空间聚类框架中,充分挖掘多视图数据的高阶信息;引入拉普拉斯秩约束直接对数据进行分类,提升TLLMSC的聚类效率;设计了一种基于交替方向乘子法的优化算法对TLLMSC进行高效求解。在BBCsport数据集和Washington数据集上进行的聚类实验结果表明,所提方法的聚类性能优于现有先进的多视图聚类方法。

一种数据仓库数据立方体空间采样估计策略

对数据仓库多维视图进行容量估计是数据立方体设计、数据仓库存储规划和实施查询优化的基础 .首先以统计理论为基础 ,提出了一种基于采样的数据仓库数据立方体空间估计策略 .该策略针对不同类型的多维视图 ,对样本统计结果采用不同的空间放大策略 ,确保了估计结果具有较高的准确性 .同时 ,该策略在最大估计的基础上采用一些启发式规则 ,对估计视图集进行有效的约简 ,并在估计过程中采用了样本视图预物化思想 ,根据预物化视图集生成优化的立方体空间估计序列 ,从而大幅缩短了整体估计时间 .

浅谈“三会”及其对高中数学《空间几何体的三视图》教学的启示

引导学生会用数学眼光、数学思维、数学语言来观察、思考、表达世界是新课标提出的理念。“三会”理论对高中数学《空间几何体的三视图》教学的启示如下:创设情境,激发学生用数学眼光观察的兴趣;鼓励多感官参与,锻炼学生的数学思维;充分利用板书与信息技术培养学生用数学语言表达的能力。

PLM系统中BOM多视图技术的研究

产品BOM在其生命周期中的不同应用领域有着不同的数据视图,如何确保各BOM视图之间的数据完整、正确及一致性,是产品全生命周期模型实现的关键。基于这种需要,对BOM多视图技术进行了研究,介绍了几种常用的BOM类型及其作用,着重介绍了核心BOM视图之间的映射过程。

面向批量生产的扩展型e-MBOM研究

总结了目前文献中关于EBOM、PPBOM、MBOM三者关系的论述,提出了一种面向批量生产的扩展制造BOM视图-e-MBOM视图,并基于企业生产实际给出了e-MBOM的定义。根据定义,e-MBOM将生产准备阶段和生产执行阶段涉及到的数据信息进行统一组织与管理,并在此基础上提出数据视图空间定义。根据数据视图空间的定义将生产数据划分为生产准备数据和生产执行数据,并研究了生产准备数据到生产执行数据的映射关系。最后给出了工厂应用实例。