摘要：

隨著信息技術和互聯網的飛速發展,人們可以從多個信息源獲得數據,即多源數據.由于多源數據具有類型多樣,尺度不統一等特點,對多源數據進行匯聚并提取有效信息是機器學習和模式識別等領域研究的熱點.由于多流形學習能夠有效地揭示復雜數據中的內在結構,因此本文主要利用多流形模型對多源數據匯聚中的邊界檢測問題,魯棒性問題和自適應性問題展開研究.本文主要工作包括如下三個方面:提出了基于邊界檢測的多流形學習算法.該算法通過檢測流形的邊界點來劃分數據的多流形結構,并利用流形間的邊界點與距離最遠點來保持數據的整體幾何結構.在人工數據集和真實數據集上的實驗證明,基于邊界檢測的多流形學習算法在流形間相對分離的數據上有較好的識別效果.提出了多源數據魯棒譜多流形學習算法.該算法首先通過降噪投影矩陣對原始數據進行提純;再利用混合主成分分析模型將相交多流形分成若干個"不相交塊",根據樣本局部近鄰切空間對每一源數據構建相似度矩陣;最后將各源相似度矩陣進行匯聚,實現對多源數據的識別.在單源數據集和多源數據集上的實驗表明,該算法相較于其他算法有更好的識別能力和魯棒性.提出了多源數據非負自適應多流形學習算法.傳統多源數據學習算法在進行多源數據匯聚時需要引入超參數確定各源數據的權重.該算法將每一源數據看作一個流形,通過自適應的方式更新各源數據的權重和近鄰矩陣,更準確地表示數據的流形結構.最后將各源數據的近鄰矩陣進行匯聚,得到一致自適應相似度矩陣.該算法充分利用了多源數據的互補性與一致性,提升了學習性能.

展開

總結

以上是生活随笔為你收集整理的多源计算机培训,多源数据汇聚的多流形学习算法研究的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。