基于约束权重学习与字典学习的降维及聚类方法研究

《基于约束权重学习与字典学习的降维及聚类方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ硕士学位论文基于约束权重学习与字典学习的降维及聚类方法研究．．．．．．．．．＿作者姓名杨秋明学科专业计算机科学与技术指导教师韦佳副教授所在学院计算机科宇与工程学唛论文提交日期２０１８年４月＿ResearchofDimensionalityReductionandClusteringbasedonConstraintWeightLearningandDictionaryLearningADissertationSubmittedfortheDegreeofMasterCand

2、idate˖YangQiumingSupervisor˖AssociateProf.WeiJiaSouthChinaUniversityofTechnologyGuangzhou,China分类号：ＴＰ３９１学校代号１０５６１：学号：２０１５２０１３１２３０华南理工大学硕士学位论文基于约束权重学习与字典学习的降维及聚类方法研究作者姓名：杨秋明指导教师姓名、职称：韦佳副教授申请学位级别：工学硕士学科专业名称：计算机科学与技术研宄方向：机器学习与数据挖掘＂论文提交日期：２０１８年４月２０日论文答辩日期燁年Ｓ月日日期：年月曰学位授予单位：华南理工大

3、学学位授予：答辩委员会成员｜主席：祕、＆邶劫抵本Ｐ？以委员：４伞硤斗ｆＩ华南理工大学学位论文原创性声明本人郑取￣明：所呈交的论文足本人在＃师的指导下独立进行研究所取衍的研究成泶。除丫文中特别加以标注引用的内容外，本论文不包含任何其他个人或堪体已经发衣或撰写的成果作品。对本文的研宄做出重要贡献的个人和粜体，均己在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承相．。作者签名：士曰期：摻年曰６月吁学位论文版权使用授权书本学位论文作荇完全了解学校有关保帘、使用学位论文的规定，即：研宂生在校攻读学位期间论文工作的知识产权中位厲

4、华南理工大学。学校有权保存并向国家有关部门或机构送交论文的复印件和电子版，允许学位论文被査阅（除在保密期内的保密论文外）：学校可以公布学位论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编学位论文。本人电子文档的内苒和纸通论文的内容相一致．本学位论文铒于：□保密，在年解密后适用本授权书。０不保密，同意在校园网上发布，供校内师生和与学校有共享协议的单位浏览：同意将本人学位论文提交中国学术期刊（光盘版）电子杂志社全文出版和编入ＣＮＫＩ《中国知识资源总库》，传播学位论文的全部或部分内容。“”（请在以上相应方框内打Ｖ）作者签名：夂蜊曰

5、期丨十物４ｕ指导教师签名：曰期ｇｖｉｙ作者联系电话电子邮箱：联系地址（含邮编）：摘要随着信息技术的快速发展，各行各业都产生了大量的高维数据，如何挖掘隐藏在高维数据中的宝贵信息是现代机器学习研究的一个热点。然而高维数据存储量巨大，计算代价十分高昂，使得传统的机器学习算法面临着巨大挑战。这就是人们常常说到的“维数灾难”问题。降维和子空间聚类都能把数据从高维空间映射到低维空间中，从而对数据进行概括和抽象；降维旨在保留数据中具有区分性的特征，去除一些共性冗余特征，可以看成是一种特殊的聚类；子空间聚类则是用少量的分组去对海量的数据进行抽象和概括，也能看成是一种特殊的降维。随着数据规

6、模的不断增大，这两种方法得到了广泛的研究与应用。本文在分析了现有半监督降维方法，子空间聚类方法的发展现状和现存问题的基础上，围绕约束权重学习、图的构造和优化、字典学习等方面针对降维，和聚类方法进行了研究，本文的主要工作和创新点如下：1.提出了基于加权成对约束的自适应半监督降维方法（ASSDR-PPC），ASSDR-PPC对成对约束进行类似概率性质的加权来利用监督信息，并通过构造稀疏图的方式保留数据的内部结构信息。并将投影矩阵的计算，图的构造，以及约束权重优化融合成一个整体进行降维学习。实验分析表明ASSDR-PPC要优于其他相关的半监督降维方法。2.提出了基于潜在空间字典学习的低秩稀疏子空间

7、聚类方法（LRSSC-LSDL）。通过引入字典学习的概念，加强对数据的表达能力，同时使用潜在空间学习来降低计算低秩稀疏重构矩阵的时间代价。实验表明，当在数据被大量污染的情况下，LRSSC-LSDL要优于现在主流的子空间聚类方法。3.针对LRSSC-LSDL不能利用监督信息的不足，将LRSSC-LSDL与加权成对约束结合起来，提出了基于加权成对约束与字典学习的半监督聚类方法SSLRSSC-LSDL。该方法能同时