基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
在计算机视觉和模式识别领域, 随着多源信息越来越多, 图像的描述方法也越来越丰富, 多视图学习方法能更充分利用这种多源信息, 进而提高聚类的准确率.因此, 本文提出了两种基于多视图学习的方法:MultiGNMF和MultiGSemiNMF方法.该方法是在矩阵分解的基础之上, 结合以往多视图学习的框架准则, 并利用了样本的局部结构形成的. MultiGNMF和MultiGSemiNMF算法不仅能学习视图间的互补信息, 同时能保持样本的空间结构.但是, MultiGNMF算法只适用于非负的特征矩阵.因此, 考虑到SemiNMF算法相对于NMF算法具有更大的扩展性, 结合多视图学习的框架, 本文又提出了多视图学习的MultiGSemiNMF算法.实验结果证实了这两种方法有较好的性能.
推荐文章
基于非负矩阵分解的多模态过程故障监测方法
故障监测
多模态过程
非负矩阵分解
基于Hessian正则化的多视图联合非负矩阵分解算法
Hessian正则化
回归模型
非负矩阵分解
多视图数据
聚类
基于非负多矩阵分解的微博网络信息推荐
微博网络
推荐
非负多矩阵分解
好友
主题
基于半监督典型相关分析的多视图维数约简
典型相关分析
人脸识别
多视图
维数约简
标签传播
半监督
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于多视图矩阵分解的聚类分析
来源期刊 自动化学报 学科
关键词 多视图学习 聚类 矩阵分解 局部结构正则化
年,卷(期) 2018,(12) 所属期刊栏目 长论文
研究方向 页码范围 2160-2169
页数 10页 分类号
字数 9842字 语种 中文
DOI 10.16383/j.aas.2018.c160636
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 李明 大连理工大学信息与通信工程学院 29 153 7.0 11.0
2 付海燕 大连理工大学信息与通信工程学院 12 106 4.0 10.0
3 孔祥维 浙江大学数据科学与管理工程系 2 4 1.0 2.0
4 张祎 大连理工大学信息与通信工程学院 2 1 1.0 1.0
5 王振帆 大连理工大学信息与通信工程学院 1 0 0.0 0.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (8)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1999(1)
  • 参考文献(1)
  • 二级参考文献(0)
2005(1)
  • 参考文献(1)
  • 二级参考文献(0)
2010(1)
  • 参考文献(1)
  • 二级参考文献(0)
2011(1)
  • 参考文献(1)
  • 二级参考文献(0)
2014(2)
  • 参考文献(2)
  • 二级参考文献(0)
2016(1)
  • 参考文献(1)
  • 二级参考文献(0)
2017(1)
  • 参考文献(1)
  • 二级参考文献(0)
2018(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
多视图学习
聚类
矩阵分解
局部结构正则化
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
自动化学报
月刊
0254-4156
11-2109/TP
大16开
北京市海淀区中关村东路95号(北京2728信箱)
2-180
1963
chi
出版文献量(篇)
4124
总下载数(次)
26
总被引数(次)
120705
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
论文1v1指导