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:
挖掘并保持数据分布信息是无监督降维的核心问题,为解决传统无监督降维方法大多数只考虑数据分布的局部信息或者全局信息,数据分布信息在低维空间难以保持的缺点,提出一种同时考虑数据分布的全局和局部信息的自适应稀疏表示引导的无监督降维(adaptive sparse representation guided unsupervised dimensionality reduction,ASR_UDR)方法.用稀疏表示挖掘高维空间数据分布的全局信息,通过约束投影后的数据保持图上的平滑性,挖掘数据分布的局部信息,并将这两个过程统一到一个框架中,使之相辅相成,实现数据分布信息的自适应挖掘和数据降维.在WarpAR10P、USPS、MultiB、DLBCLA和DLB-CLB数据集上的实验结果表明,与已有的同类无监督降维方法相比,所提方法在显著减少数据维数的同时,可更好地提升后续学习算法的性能.
推荐文章
基于自适应稀疏表示的多聚焦图像融合
稀疏表示
多聚焦图像融合
自适应
梯度值
基于稀疏表示的半监督降维方法
降维
连接性与权重
稀疏表示
边约束
融合半监督降维与稀疏表示的人脸识别方法
图像处理
人脸识别
半监督降维
稀疏表示
稀疏回归和流形学习的无监督特征选择算法
无监督学习
特征选择
稀疏回归
特征流形学习
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 自适应稀疏表示引导的无监督降维
来源期刊 深圳大学学报(理工版) 学科 工学
关键词 人工智能 稀疏表示 无监督学习 维度约简 机器学习 数据挖掘
年,卷(期) 2020,(4) 所属期刊栏目 电子与信息科学
研究方向 页码范围 425-432
页数 8页 分类号 TP181
字数 4967字 语种 中文
DOI 10.3724/SP.J.1249.2020.04425
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 魏巍 山西大学计算机与信息技术学院 13 82 5.0 8.0
5 冯凯 山西大学计算机与信息技术学院 10 3 1.0 1.0
9 崔军彪 山西大学计算机与信息技术学院 5 7 2.0 2.0
10 岳琴 山西大学计算机与信息技术学院 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  (14)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1936(1)
  • 参考文献(1)
  • 二级参考文献(0)
2000(2)
  • 参考文献(2)
  • 二级参考文献(0)
2006(1)
  • 参考文献(1)
  • 二级参考文献(0)
2007(1)
  • 参考文献(1)
  • 二级参考文献(0)
2010(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(2)
  • 参考文献(2)
  • 二级参考文献(0)
2018(2)
  • 参考文献(2)
  • 二级参考文献(0)
2019(2)
  • 参考文献(2)
  • 二级参考文献(0)
2020(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
人工智能
稀疏表示
无监督学习
维度约简
机器学习
数据挖掘
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
深圳大学学报(理工版)
双月刊
1000-2618
44-1401/N
大16开
深圳市南山区深圳大学行政楼419室
46-206
1984
chi
出版文献量(篇)
1946
总下载数(次)
10
论文1v1指导