导读:本文包含了多视图矩阵论文开题报告文献综述及选题提纲参考文献，主要关键词:聚类算法,机器学习,多视图算法,非负矩阵分解
多视图矩阵论文文献综述
何雪梅[1]（2019）在《基于集成权重学习和非负矩阵分解的多视图聚类研究》一文中研究指出随着互联网的飞速发展和人类接触信息量的日渐爆炸,近年来,基于对互联网海量数据分析的技术日益被工业界和学术界重视。立足于互联网数据的识别、分析、分类、聚类、关联关系挖掘等任务日渐成为互联网信息活动的中的重要部分。同时,互联网数据由于其的稀疏性、复杂性、弱关联性,对相关互联网信息发掘技术和底层算法提出了严峻的要求,以往的众多传统数据分析方法不能满足需求;特别是对于一些基础的数据分析方法(分类、聚类、关联分析等)。同时,互联网数据存在多视图特性,即单一数据存在对其多种解释。对于该类型数据的处理方式和模型应运而生。而本文结合非负矩阵分解方法、遗传算法竞争模型和神经网络方法,并且将这种技术应用于常规的多视图数据聚类当中去,提出一种基于多视图聚类的新型聚类算法。首先,本文用一到两个章节介绍了本文的基础知识和前期知识。包含但不仅限于多视图聚类方法在当前学术界和工业界的已有研究。聚类算法的基本概念和一些传统聚类算法的介绍。该部分通过两个章节详细介绍本文的基础和前期工作,明确本文的写作意图和文章规划。其次,本文分别介绍了多视图聚类和非负矩阵分解的知识。多视图聚类是一种面向多视图数据的聚类任务模型,在面向多视图数据处理时候能够展现较高的性能。非负矩阵分解是一种矩阵分解技术,通过非负矩阵分解,能够对相关矩阵开展特征降维、特征提取、数据压缩等工作。最后,是本文的重点,结合多视图聚类分解方法、非负矩阵分解方法、视图合成方法,提出一种基于多视图聚类的新型聚类算法。在本部分中,本文使用非负矩阵对子视图的图像特征进行提取,同时使用矩阵方法、竞争算法、神经网络方法对目标多视图特征进行特征合成和归一化。通过以上系统的讨论和研究,同时进行充分的实验,用两种不同类型的数据集对提出的叁种模型进行了横向和纵向对比,可以证明本文提出的基于非负矩阵分解的集成聚类方法(MNMF)、基于竞争遗传的多视图集成聚类方法(CMC)和基于神经网络集成的多视图聚类方法(NMC)在多种性能指标上优于传统聚类算法。(本文来源于《西华师范大学》期刊2019-04-01）
卢志强,莫晓晖,吴松松[2]（2019）在《基于离散指示矩阵优化的多视图子空间聚类算法》一文中研究指出多视图子空间聚类旨在把一组多源数据按照其底层结构分到对应的子空间。现有的方法局限于只探究多视图之间的公共信息,或者只探究多视图之间的互补信息,容易造成聚类的关键信息缺失。提出一种基于离散指示矩阵优化的多视图子空间聚类的方法,用离散指示矩阵优化用于多视图聚类的邻接矩阵。算法考虑了多视图之间的互补信息,保证在不同视图下聚类的一致性。实验结果表明,提出的算法获得的邻接矩阵块状结构更明显,聚类的准确度更高。(本文来源于《金陵科技学院学报》期刊2019年01期）
徐霜,余璃[3]（2019）在《利用正则化矩阵分解技术的多视图聚类方法》一文中研究指出为了解决具有多种特征属性的多媒体数据(多视图数据)挖掘问题,在非负矩阵分解(NMF)算法的基础上,提出了一种多视图正则化矩阵分解算法(MRMF),该算法使用了多元非负矩阵分解技术,同时使用L2,1范数描述矩阵分解的损失函数,并采用多视图流形正则化对矩阵分解进行正则化约束。与现有的一些数据聚类或多视图聚类算法相比,提出的MRMF算法不易受到原始数据中噪声的影响,而且能够充分考虑到不同视图在聚类中所具有不同权重的问题,能够对多视图数据进行较为准确的聚类。MRMF算法的有效性在一些经典的公开数据集上进行了验证,并取得了较好的聚类精度。(本文来源于《计算机工程与应用》期刊2019年14期）
张天真[4]（2018）在《基于非负矩阵分解的多视图聚类方法研究》一文中研究指出随着移动互联网、数字多媒体和信息采集技术的高速发展,数据逐渐呈现出海量、高维、多源和异构等特点,多源或异构的数据构成多视图数据。因此,如何从海量的高维多视图数据中提取出有用的信息成为数据处理和分析的重要任务。聚类分析是机器学习和数据挖掘领域中常用的预处理方法,其目的在于根据数据间的相似性对目标数据集进行划分。非负矩阵分解由于较强的物理意义和可解释性,被广泛应用到聚类领域中。近年来,许多专家、学者和高校研究人员提出了多种基于非负矩阵分解的多视图聚类方法,虽然这类多视图聚类方法取得了较好的聚类效果,但是仍存在缺点和不足,需要进一步深入的研究。现有基于非负矩阵分解的多视图聚类方法,过多地关注多视图数据中包含的共享信息,忽略了不同视图的数据中包含的互补信息,也没有充分挖掘不同视图之间的相似性。此外,现有基于非负矩阵分解的多视图聚类方法通常将数据的表示学习和聚类分析作为两个独立的过程,影响了多视图数据的聚类效果。本文在深入学习非负矩阵分解、成对协同正则化、流形正则化以及希尔伯特–施密特独立准则等相关理论的基础上,针对现有基于非负矩阵分解的多视图聚类方法中存在的不足,提出了两种基于非负矩阵分解的多视图聚类方法,完善了现有基于非负矩阵分解的多视图聚类框架,主要的研究内容总结如下:1.针对现有基于非负矩阵分解的多视图聚类方法忽略不同视图数据间的相似性这一不足,提出一种基于非负矩阵分解和成对协同正则的多视图聚类方法。该方法利用成对协同正则化和流形正则化方法分别构建多视图数据对应的视图间和视图内的相似性约束项,学习每个视图对应的更具有判别性的低维系数表示矩阵,并对其进行聚类,得到多视图数据的聚类结果。实验结果表明,该多视图聚类方法具有较高的聚类精度。2.针对现有基于非负矩阵分解的多视图聚类方法没有充分挖掘多视图数据中包含的互补信息这一不足,提出一种基于非负矩阵分解的多样–一致性多视图聚类方法,同时进行多视图数据的表示学习和聚类分析。该方法利用希尔伯特–施密特独立准则对多个低维的系数表示矩阵建模,确保多视图数据的多样性,借助类标一致性约束项对多个低维系数表示矩阵建模,使得在不同特征表示下的目标数据点得到相同的聚类结果。实验结果表明,该方法提高了多视图数据的聚类性能。综上,本文从多视图数据的相似性、多样性和一致性叁个方面,提出两种基于非负矩阵分解的多视图聚类方法,用于提高多视图数据的聚类性能。理论分析和验证实验表明这两种多视图聚类方法提高了多视图数据的聚类性能。(本文来源于《西安电子科技大学》期刊2018-06-01）
张祎[5]（2018）在《多视图矩阵分解的聚类分析》一文中研究指出随着多媒体技术的飞速发展,人们可获得的信息越来越多,而这些信息中既包含大量的无用信息,又存在很多的“看不见”的有用信息。因此,利用流行的机器学习和人工智能等手段,对信息进行提取、挖掘和分析显得尤为重要。聚类分析是一种无监督学习方法,它可以在没有任何先验知识的条件下,对数据集进行聚类,使得类别内样本尽可能相似,类别间样本差异尽可能大。因此,作为一种数据挖掘的重要手段,聚类分析可以揭露出样本间的从属关系,从而在模式识别、人工智能等领域有着极为重要的意义。多视图聚类分析因其利用多个不同视图特征的信息,可以更加全面地描述数据库,从而获得比单视图聚类更好的聚类性能。传统的多视图聚类算法只考虑不同视图间的一致性,而忽略了同一个视图内部不同样本在特征学习前后也应保持相同的相似程度。因此,本文将局部空间结构约束引入传统的多视图学习框架,提出了一种多视图聚类算法——MLN。但是,MLN算法是基于NMF矩阵分解的,该方法只适用于非负的特征矩阵。而现实场景中,很多数据的特征难免存在负数,因此本文又提出了基于SemiNMF矩阵分解的多视图聚类算法MLSN。无论特征数据矩阵是否存在负数,MLSN都有较好的聚类性能。在叁个公开的数据库上进行实验,结果证实MLN和MLSN算法都有着较好的聚类性能。线索集聚聚类作为一种集成聚类方法,可以通过结合策略将一组不同的基聚类器进行集成,从而提高聚类的泛化能力,获得更高的聚类准确率。线索集聚聚类主要分为构建共联矩阵和对其进行凝聚型层次聚类两个步骤。然而,传统的加权线索集聚聚类方法仅考虑基聚类器的影响,或者仅考虑团簇质量的影响,而实际上二者都会影响样本间的相关性。因此,本文提出一种新的加权线索集聚聚类方法——GLWEA。该方法在构建共联矩阵时,将基聚类器质量和团簇质量都作为影响权重系数的因子,进而再使用凝聚型层次聚类得到最后聚类结果的集成聚类方法。实验结果表明了该算法的有效性。结合集成聚类的多视图聚类,可以利用集成聚类的优势来降低参数对多视图聚类的影响,从而提高聚类性能。因此,本文将两种线索集聚聚类方法LWEA算法和GLWEA算法与多视图聚类算法MLSN相结合,得到了两种多视图矩阵分解的集成聚类方法——LEMGSN和GLEMGSN。实验结果证实该算法相较于MLSN有所提高。(本文来源于《大连理工大学》期刊2018-04-28）
张祎,孔祥维,王振帆,付海燕,李明[6]（2018）在《基于多视图矩阵分解的聚类分析》一文中研究指出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.(本文来源于《自动化学报》期刊2018年12期）
张晓语[7]（2017）在《基于矩阵分解的多视图降维方法研究》一文中研究指出随着互联网、数据采集、信息获取等技术的快速发展,数据以爆炸式增长。如何在纷繁复杂的数据中挖掘其内在本质信息,即数据降维,是计算机视觉、数据挖掘、模式识别、机器学习等领域的研究热点。与此同时,随着特征提取算法的不断进步,单一视图的数据已经不能满足对复杂数据的描述,人们面临着越来越多的多视图数据。而多视图数据的不同视图特征位于不同的特征空间,不能直接用传统的机器学习算法处理。因此,如何充分挖掘不同视图的共享信息和异构信息是对多视图数据进行处理的重点和难点。在对现有降维算法深入研究的基础上,针对它们存在的一些问题,本文首先介绍了一种基于稀疏图嵌入的降维框架,一方面稀疏表示可以用来挖掘数据紧致有区别性的隐子空间;另一方面通过“采样,投影”策略使得基于稀疏图嵌入的线性降维算法能够有效地处理大规模数据。定性和定量的实验结果验证了该降维框架能够提高原始降维算法的性能,同时“采样,投影”策略的运用大大减少了算法的时间复杂度和空间复杂度,使之适用于大规模数据。其次,提出基于马尔科夫链的鲁棒多视图降维算法。该算法充分利用了马尔科夫链平稳分布的性质,通过低秩和稀疏分解有效地去除转移概率矩阵中的噪声,并且分别从相似性和重构的角度构建线性映射矩阵,使得高维数据能够方便地获得其对应的低维表示。通过与现有经典的多视图降维算法对比,实验结果验证了算法确实能够获得更有利于分类任务的低维嵌入表示。最后,提出一种基于矩阵分解的多视图降维算法。该算法利用矩阵分解去挖掘和整合不同视图数据的共享信息和异质结构,同时为每一个视图设定一个权值,自适应调节不同视图在构建最终的低维一致性表示的过程中的贡献程度。同时这个权值在交替迭代优化算法中会不断地自动更新,从而优化出最优的低维表示。实验表明,本方案能够挖掘所有视图的共享特征,同时考虑了不同视图特殊的几何结构特征,所以获得更好的分类性能。(本文来源于《西安电子科技大学》期刊2017-06-01）
何梦娇[8]（2017）在《基于非负矩阵分解的多视图聚类研究》一文中研究指出因为没有强大的数据挖掘工具协助人们去理解数据,挖掘潜在的有效信息。海量未被挖掘数据中所潜藏的有效信息催促着数据挖掘技术的诞生。聚类分析是最为有力的数据挖掘工具,它自发地将数据对象聚于多个簇,使同一个簇中的对象之间相似程度越大,使不同簇中的对象具有更大的差异度。在描述一些实际问题的过程中,同一个事物可以从不同的途径、不同的角度或者不同的形式进行描述,多种不同的描述为事物的多个视图,数据为多视图数据。随着信息技术的发展,多视图数据越来越多,且因其包含有更多的信息量,在数据处理中越来越受到关注。虽然已有许多传统的聚类算法,但是针对多视图数据,传统聚类算法无法很好的应用并产生较高质量的聚类结果,多视图聚类应运而生。非负矩阵分解(Nonnegative matrix factorization,NMF)能够有效得将高维数据映射到低维空间,是一种有效的特征提取方法。本文以NMF为基础,结合多视图聚类与聚类集成,提出了两种多视图聚类算法和一种聚类集成算法。基于NMF的潜在特征学习多视图聚类算法,将NMF的优点与相似度矩阵相结合,利用联系两者的一个系数矩阵对多视图进行聚类,且自主学习权重,从而达到更优的聚类效果。基于NMF的潜在特征整合多视图聚类算法设置了一个样本相似度矩阵来表示样本之间的相似度,和一个基相似度矩阵来衡量样本各维度之间的相似性。其关键是在样本相似度矩阵的约束下,通过非负矩阵分解获得样本之间的共有特征;当样本间共用一个基空间时,样本之间的差异被最大化,在基相似度矩阵的约束下,获得样本的互补特征。通过整合这两个潜在的特征,对多视图数据进行聚类,从而达到更好的聚类效果。聚类集成整合一种或多种聚类算法,多次聚类结果的方法。可以有效提高聚类精度、聚类的稳定性和鲁棒性。为了解决通过原始数据集获得的基聚类结果存在一定的信息丢失,使得集成阶段的有效信息减少的问题,提出了一种基于NMF的K-means聚类集成算法。该算法先通过K-means聚类算法获取集成信息,同时从原始数据集获取数据的相关性,将两者结合然后通过非负矩阵分解技术构建共识函数获得最终结果。实验证明了所提出的算法可以有效的获取原始数据潜在更多的信息,约束非负矩阵分解过程从而提高聚类质量。(本文来源于《西南交通大学》期刊2017-05-02）
石锦辉[9]（2017）在《基于非负矩阵分解的多视图聚类方法研究》一文中研究指出基于非负矩阵分解的方法在聚类应用中有着非常重要的意义.本文在深入研究了非负矩阵分解的基础上提出了一种基于概念分解的多视图聚类方法,该方法通过联合优化一个图矩阵来充分利用不同视图之间的相关性,同时该方法还可以自动地学习得到每个视图在聚类任务中的权重.首先,本文阐述了多视图数据聚类的意义和研究现状,给出了基于矩阵分解的多视图聚类方法的流程图;并介绍了非负矩阵分解的几种变体和常见的基于非负矩阵分解的多视图聚类方法.其次,经过对非负矩阵分解和概念分解的深入研究,本文提出了一种基于概念分解的、融合了图结构信息和权重信息的多视图数据聚类框架.该框架克服了非负矩阵分解不能处理负号数据的限制,因此可以被应用到所有多视图数据集上面.在该框架中,我们考虑了数据的局部几何结构信息,利用学习得到的图可以在降维的过程中保持原始数据空间的局部几何结构;该框架可以自动地学习得到每个视图的权重,理论上这些权重可以从侧面反映每个视图在聚类任务中的重要性,这减少了分别设置每个视图权重的代价.然后,本文给出了对应于该框架的目标函数、设计了一种更新规则来寻找该目标函数的最优解、给出了所提出方法的具体算法,另外从理论上证明了利用这种更新规则来求解目标函数的过程是收敛的.最后,本文给出了具体的参数设置方法,并通过大量的实验(选取了9个多视图数据集、使用了3种客观评价标准、比较了7种多视图聚类算法)证明了本文所提出方法的优越性.进一步,本文还从参数敏感性和算法收敛性两个方面说明了本文方法的有效性.(本文来源于《兰州大学》期刊2017-04-01）
赵龙[10]（2015）在《基于多流形正则化非负矩阵分解的多视图聚类》一文中研究指出聚类的目的是根据数据点的相似性将一个数据集分割成组,在机器学习和数据挖掘中是一个基本主题。很多现实世界数据集是由不同视图组成的,不同的视图通常提供兼容和互补信息。因此,结合多视图的信息来获得更好的聚类性能比仅依赖单个视图更加自然。在过去的10年中多视图聚类已经成为热门话题,并且很多算法被提出。多视图聚类结合多个试图中的相互补充的信息来得到更好的聚类表现,而不是只依赖单个视图。基于非负矩阵分解(NMF)的多视图聚类在众多不同的多视图聚类算法中显示出它们的竞争力。但是纯粹的非负矩阵分解并不能保护数据空间的局部几何结构。在这篇文章中我们提出了一种多流形规范非负矩阵分解框架(MMNMF),它能保护流形的局部几何结构。直观上,对于多视图聚类,每一个视图都可以看做一个流形,那么数据集固有的流形自然就可以看做多个流形的混合物。假设数据集固有的流形镶嵌在所有视图的凸包中,我们框架的主要思想是寻找一个这样的本质流形和一个本质的(一致的)系数矩阵,然后用一个多流形正规因子合并它们以达到保护多视图数据空间的局部几何结构。也就是说MMNMF认为数据集固有的本质流形镶嵌在所有视图的凸包中,并且将这样一个固有的流形与一个固有的(一致的)系数矩阵相结合,并用一个多流形正则项来保护多视图数据空间的局部几何结构。我们利用线性结合来构造这个固有的流形,并提出两种寻找固有系数矩阵的策略,从而得到MMNMF框架的两种实例化。实验结果显示我们提出的算法比其他现有的基于NMF算法更有效。另外我们还添加了判别信息和流形正规化判别信息来进一步提升我们提出算法的准确率。(本文来源于《大连理工大学》期刊2015-03-25）
多视图矩阵论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
多视图子空间聚类旨在把一组多源数据按照其底层结构分到对应的子空间。现有的方法局限于只探究多视图之间的公共信息,或者只探究多视图之间的互补信息,容易造成聚类的关键信息缺失。提出一种基于离散指示矩阵优化的多视图子空间聚类的方法,用离散指示矩阵优化用于多视图聚类的邻接矩阵。算法考虑了多视图之间的互补信息,保证在不同视图下聚类的一致性。实验结果表明,提出的算法获得的邻接矩阵块状结构更明显,聚类的准确度更高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多视图矩阵论文参考文献
[1].何雪梅.基于集成权重学习和非负矩阵分解的多视图聚类研究[D].西华师范大学.2019
[2].卢志强,莫晓晖,吴松松.基于离散指示矩阵优化的多视图子空间聚类算法[J].金陵科技学院学报.2019
[3].徐霜,余璃.利用正则化矩阵分解技术的多视图聚类方法[J].计算机工程与应用.2019
[4].张天真.基于非负矩阵分解的多视图聚类方法研究[D].西安电子科技大学.2018
[5].张祎.多视图矩阵分解的聚类分析[D].大连理工大学.2018
[6].张祎,孔祥维,王振帆,付海燕,李明.基于多视图矩阵分解的聚类分析[J].自动化学报.2018
[7].张晓语.基于矩阵分解的多视图降维方法研究[D].西安电子科技大学.2017
[8].何梦娇.基于非负矩阵分解的多视图聚类研究[D].西南交通大学.2017
[9].石锦辉.基于非负矩阵分解的多视图聚类方法研究[D].兰州大学.2017
[10].赵龙.基于多流形正则化非负矩阵分解的多视图聚类[D].大连理工大学.2015