基于非负稀疏图的高光谱数据降维

为减少因大量的光谱信息带来的计算复杂及数据冗余带来的高光谱数据分类性能降低,该文提出一种非负稀疏图降维算法。首先,构建超完备块字典对高维高光谱数据进行非负稀疏表示。然后,根据块非负稀疏表示,分别构建内部非负稀疏图和惩罚非负稀疏图,基于单调递减函数定义边的权重以体现样本间的相似程度。最后,通过同时最大化异类和最小化同类非负稀疏重构样本间的距离,得到从高维到低维的最优映射关系,从而实现对高维高光谱数据的降维。AVIRIS 92AV3C高光谱数据上的实验结果表明,所提算法能以较少的训练样本获得较高的整体分类精度和Kappa系数。

基于非负稀疏图的协同训练软件缺陷预测

软件缺陷预测是一种可提高软件系统质量和优化测试资源分配的软件系统可靠性保证方法。当软件历史仓库中有标记训练模块较少时,应用机器学习方法构建有效的预测分类器是一个有挑战性的问题。为此,提出了一种基于非负稀疏图的协同训练软件缺陷预测方法,该方法汇集基于图的半监督学习方法和协同训练方法的优点,对无标记数据进行显示置信度估计。其利用软件模块间的相似性构建一个非负稀疏图,图中边的权重反映了样本间的相似度;利用协同训练的三个分类器对无标记样本的隐式选择和显示计算其所属类别的置信度,选取可靠的无标记样本辅助有标记样本进行训练以减少噪声数据的引入,并逐个迭代更新分类器,直至达到最大迭代次数或分类器识别率降低为止。基于NASA M DP数据集的验证实验结果表明,所提出的方法优于具有代表性的半监督协同训练方法。

基于分割Bregman方法的非负稀疏图构建算法

在基于图的机器学习算法中,构造一个能较好反映数据内在结构信息的图尤为重要.文中提出一种基于分割Bregman方法的非负稀疏图构建算法.该算法通过使用分割Bregman方法求解稀疏表示优化问题的一个等价形式,以此得到一个能将每个数据样本表示成其他样本的非负线性组合的图的边权矩阵.算法构建的稀疏图能较好描述数据之间存在的线性关系.在半监督学习的框架下进行测试的实验表明,文中算法能较好反映数据内部潜在的结构信息.