导读:本文包含了流形对齐论文开题报告文献综述及选题提纲参考文献，主要关键词:干扰对齐,预编码,多输入输出,流形
流形对齐论文文献综述
凌必祥[1]（2018）在《流形上的干扰对齐预编码技术研究》一文中研究指出随着科技的不断发展,人们对于无线通信网络中的速率要求越来越高,这样就必然会引起有限的频谱资源与不断提高的速率之间的冲突。为了解决这一冲突,多天线技术应运而生。多天线技术不仅能够降低码元的误码率,而且可以数倍的提高无线通信系统的容量。然而,多天线系统中的用户之间的相互干扰成为制约无线通信系统容量的最直接原因。干扰对齐技术可以在减小干扰的前提下提高系统容量。传统干扰对齐预编码矩阵的求解方法,大多都是基于欧氏空间中的最优化的方法进行求解,然而,利用欧氏空间中最优化方法求解预编码矩阵的过程中会出现收敛速度慢,复杂度高等缺点。本文将微分流形优化理论引入到求解干扰对齐预编码矩阵中,同时保留了干扰对齐的优势。首先考虑单小区多用户场景下的单边干扰对齐算法,将接收端分成有用信号空间和干扰信号空间,当接收端干扰子空间之间的空间距离为零时,可以认为完全达到干扰对齐状态,以此建立目标函数表达式,将目标函数投影到Stiefel流形上进行求解,能够将有约束的最优化问题转化为无约束的最优化问题进行求解,仿真结果表明,预编码矩阵在流形上建模求解与普通的欧式空间中的最优化方法相比有更快的收敛速度和更高的和速率。其次考虑多小区多用户的双边干扰对齐算法。该算法利用了矩阵克罗内克积的性质,将多用户的预编码矩阵分解成多个子空间的子预编码矩阵的克罗内克积,分别在每个子空间内进行双边干扰对齐算法。由于目标函数具有酉不变性,从而可以将目标函数投影到Grassmann流形上进行求解,也可以将有约束的最优化问题转化为无约束的最优化问题。仿真结果表明,利用该算法可以将多小区多用户干扰对齐算法,分解为子空间干扰对齐算法,得到更大的和速率和更快的收敛。(本文来源于《南京邮电大学》期刊2018-11-14）
李雪晴[2]（2018）在《基于标签信息的流形对齐算法研究》一文中研究指出数据分类是模式识别和数据挖掘等领域的研究热点。随着互联网的普及,实际应用中所面临的分类数据不仅数据量大而且呈现出较高的维度,给数据分析带来很多不便。如何对这些数据提取有效特征是我们面临的首要问题。流形学习和度量学习都是典型的非线性特征提取方法,已广泛应用于分类问题中。但传统流形学习和度量学习都只能用于单个领域。由于web应用领域的飞速发展,数据更新速度快,新领域层出不穷。新领域中的训练数据往往是有限的不足以满足传统分类方法对训练数据量的要求,标注新数据或重新训练模型都会带来巨大的成本。如何利用已有的相关辅助域中的标记数据帮助新领域学习有效的分类模型是学者们一直关注的问题。流形对齐算法是解决上述问题的一种潜在方法。流形对齐将来自不同领域的高维数据同时投影到一个共同的潜在低维空间中,同时保持流形间的对应关系和流形自身局部几何结构不变,从而实现迁移学习。传统的流形对齐算法需要充足的对应点信息挖掘不同流形样本点之间的联系。但是,在数据分类问题中,一般只有训练样本的标签信息,而没有数据集之间的对应点信息。如何利用标签信息,挖掘不同领域数据之间的关联性,是将流形对齐应用于跨领域数据分类的关键问题。本文以分类问题为研究背景,利用标签信息挖掘不同流形样本点间的联系,并提出基于标签信息的流形对齐算法。此外,将流形学习和度量学习结合,改进数据分类的准确性。进一步的,将度量学习与流形对齐思想结合,将度量学习应用于跨领域数据分类。具体研究内容如下:1.提出基于标签空间映射的流形对齐算法。算法通过样本标签信息和局部几何结构重构每个样本点的特征,并结合余弦相似性计算流形间样本点的相似度。保持目标域局部几何结构和流形间的相似性不变,将源域和目标域同时投影到共同的标签空间。在计算目标域未知类别样本的低维嵌入的同时获得样本类别而不需要用到分类器。在几个数据集上的分类实验验证了基于标签空间映射的流形对齐算法的有效性。2.提出基于近邻元分析的半监督局部线性嵌入算法。算法将度量学习与流形学习结合起来,充分利用样本标签信息结合度量学习学习新的距离度量方式以准确挖掘样本局部几何结构。保持这种样本局部几何结构不变,将样本投影到低维空间。实验证明,该算法能得到良好的降维效果,将低维嵌入结果输入分类器能得到较好的分类结果。3.提出基于近邻元分析的半监督流形对齐算法。算法借鉴近邻元分析和流形对齐的思想,将原来单个数据集上的近邻元分析模型推广到两个流形上,结合两个流形上的标记数据,在两个流形上同时分别学习合适的度量矩阵,将两个流形投影到类别区分度更明显的低维空间。在一些数据集上的实验证明了该方法在分类问题中的有效性。(本文来源于《华侨大学》期刊2018-05-30）
徐猛,王靖,杜吉祥[3]（2018）在《采用邻域关联性的非监督流形对齐算法》一文中研究指出假设对于两个流形上关联性较强的样本点,其邻域点之间也会具有较强的关联性.基于此假设,提出一种新的非监督流形对齐算法,通过学习局部邻域之间的关联性,挖掘不同流形样本点间的关联性;然后,将两个流形样本点投影到共同的低维空间,同时保持所挖掘的关联性.结果表明:与传统的非监督流形对齐算法比较,文中算法能更准确地找出不同流形数据在低维空间的匹配点.(本文来源于《华侨大学学报(自然科学版)》期刊2018年02期）
徐猛,王靖[4]（2018）在《一种基于全局和局部特征匹配的流形对齐算法》一文中研究指出不同流形样本点之间的关联性挖掘是决定流形对齐算法效率的关键问题。提出了一种新的思路,利用测地距离初步构造不同流形样本点之间的关联性,再利用样本点之间局部几何结构的相似性进行修正,以更为准确地挖掘不同流形样本点之间的关联性。进一步提出一种新的半监督流形对齐算法,利用已知对应点信息和所挖掘样本点之间的关联性,将多个流形数据投影到共同的低维空间。与传统的半监督流形对齐算法相比,本算法在先验信息不充分的情况下,能更准确地联结不同流形数据集。最后通过在实际数据集上的实验验证了算法的有效性。(本文来源于《计算机工程与科学》期刊2018年02期）
凌必祥,解培中,李汀[5]（2018）在《Stiefel流形上的单边干扰对齐预编码》一文中研究指出干扰对齐通过在接收端重迭干扰能有效的提升干扰信道的容量。单边干扰对齐是指仅仅只有发射端参与的干扰对齐技术,它不需要接收端的参与,与双边干扰对齐技术相比单边干扰对齐技术可以大大的减小反馈量。本文在干扰子空间弦距离最小化的单边干扰对齐预编码算法方案的基础上,提出将预编码矩阵建模于Stiefel流形之上,这样就能够将有约束的最优化问题转化为无约束的最优化问题进行求解。仿真结果表明,将预编码矩阵在Stiefel流形上建模求解与普通的最优化方法相比有更快的收敛速度和更高的和速率。(本文来源于《信号处理》期刊2018年01期）
李汀,赵娟[6]（2017）在《基于Grassmannian流形共轭梯度算法的干扰对齐方案》一文中研究指出在Grassmannian流形Gn,p上对多用户多入多出(multiple input multiple output,MIMO)干扰系统中的发射子空间和干扰子空间进行建模,使得复欧氏空间中有约束的最优化问题转化为Grassmannian流形上降维的无约束最优化问题.利用微分流形的几何特性设计Grassmannian流形上的共轭梯度干扰对齐算法,交替迭代优化发射预编码矩阵和接收滤波矩阵.仿真结果表明:该算法的收敛性能优越,用户干扰的残余功率小,系统的传输速率及频谱效率高.(本文来源于《扬州大学学报(自然科学版)》期刊2017年04期）
李汀[7]（2017）在《多用户干扰信道下建模于流形上的联合干扰对齐预编码》一文中研究指出首先从子空间对齐的角度将干扰信号功率和有用信号功率联合优化的问题建模于Grassmannian流形上,有约束的最优化问题被转化为降维的无约束的最优化问题。然后利用Grassmannian流形的几何特性,提出了一种基于Grassmannian流形上共轭梯度算法的联合干扰对齐预编码方案。计算机仿真表明,该算法兼顾干扰信号功率的最小化和有用信号功率的最大化,可以有效提高系统的和速率性能,而且该算法可以有效解决Grassmannian流形上最陡下降算法每次寻优的90°转折问题,具有更高的收敛速度。(本文来源于《数据采集与处理》期刊2017年06期）
徐猛[8]（2016）在《基于关联性挖掘的流形对齐算法研究》一文中研究指出在一些领域的学习中,如模式识别,它们所需要的数据如图像数据都是存储在高维空间中,而且数据结构比较的复杂,同时可视化程度相对的不太好。多年以来,流形学习和其算法在数据可视化方面和数据降维的领域取得了较大成功,慢慢变为该领域热点问题。尽管这些算法得到了非常广的应用,但是只能对单个的流形数据进行降维。在现实世界的许多应用中,如跨语言信息检索、图像和文本的匹配、姿态估计等都需要处理两个或则更多的数据集。很多年以来,学者们为了处理这个问题经过努力提出了流形对齐算法。流形对齐可以将来自不同的流形数据映射到一个共同的低维空间,并保持每个流形的局部几何结构不变,同时匹配不同数据集样本之间的对应关系。在流形对齐算法中,流形样本点之间的关联性挖掘是流形对齐的关键步骤。因此,本文在围绕如何更准确挖掘不同流形样本点之间关联性的问题,提出新的流形对齐算法。简单来说,本文有下面工作:1.在针对无法获取对应信息的无监督情形,本文提出一个基本的假设:对于两个流形或则更多流形上关联性较强的样本点,其邻域点之间也会具有较强的关联性。基于此假设,我们提出一种新的非监督流形对齐算法,通过学习局部邻域之间的关联性以挖掘不同流形样本点间的关联性,再将两个或则多个流形样本点投影到共同的低维空间,同时保持所挖掘的关联性。2.在半监督算法中,需要事先给出部分已知对应信息点,但是当给定对应点信息不充分时,单一的利用局部结构或全局结构都无法准确的挖掘不同流形样本点之间的关联性。因此本文提出了一种新的算法思路,首先构造流形样本点之间的初始化关联性,然后用样本点之间的局部结构相似性对初始化关联性进行修正,这样更为准确的发掘流形样本点之间的关联性。进一步的,提出一种新的半监督流形对齐算法,利用已知信息点和所挖掘的样本点关联性,将多个流形样本点投影到共同的低维空间。3.最大方差展开(Maximum Variance Unfolding,MVU)是一种比较经典的流形学习方法,主要目的是把单一流形展开有效的获取流形数据的低维坐标。将MVU的思想进一步扩广,我们提出了基于最大方差展开的流形对齐算法。我们目的是构造半定规划(semi-definite programming,SDP)模型,首先是保证流形中每个样本点的近邻点的距离不变,以此保证稳定性。然后再用给出的对应信息点之间的关联性为约束,对此进行建模,构造一个目标函数来求解问题。最后求解此SDP模型,获取多个数据集的低维坐标。最后通过在多个实际数据集上验证我们上面提出的叁种算法有效性。(本文来源于《华侨大学》期刊2016-06-01）
聂俊美,谢显中,张森林,雷维嘉[9]（2016）在《多用户认知网络中基于Grassmann流形梯度法的干扰对齐算法》一文中研究指出针对多个主用户和多个次用户的多输入多输出(MIMO)认知网络,本文给出了一种不依赖信道互惠性和不需要前后向链路交替式迭代的干扰对齐方法。对于次用户,首先,通过对其进行编码,建立了消除主次用户间相互干扰后的等效模型。然后,在等效模型的基础上,以最大化总容量为目标函数设计预编码矩阵,并采用基于Grassmann流形上的梯度法对目标函数进行求解得到预编码。最后,在接收端以最大信干噪比准则来设计接收滤波器矩阵。仿真结果显示,在低信噪比时,本文算法与现有典型算法性能相同,而在高信噪比时本文算法性能更优。(本文来源于《信号处理》期刊2016年03期）
张昕[10]（2015）在《流形对齐中若干问题研究》一文中研究指出随着信息技术的迅猛发展,信息数据的规模和维度呈现指数的增长,数据降维对充分利用挖掘这些数据中的有用信息是非常重要的。流形学习在数据降维中起着重要的作用。但是,在很多现实应用中,需要发现多个输入数据的潜在特征,这些输入数据分布在不同的非线性流形上。传统流形学习算法无法处理这类问题。作为流形学习算法的一个新的研究方向,流形对齐算法为流形学习算法从单一流形学习向多流形的学习提供了一个很好的平台。流形对齐算法不仅能将不同的高维数据降维到一个共同的低维空间中,而且能够保持对应信息在嵌入空间中的位置尽可能接近。但是,流形对齐中也存在一些不可避免的问题。首先,在对齐算法中,对应点信息对对齐结果有着重要的影响,准确而充足的对应信息能够大大提高对齐的准确率。但是现实中,对应点信息的获取是非常困难的,因为不同流形中的样本点由不同的特征表示,其特征的表示方法和表示维度都不相同,很难将它们直接比较。尽管目前出现了一些可以自适应的寻找对应点信息的对齐算法,但是这些方法计算复杂度非常高,只能用于一些特定的情况或数据集中。其次,在数据分类问题中,往往并没有给出不同数据集之间的对应点信息,而是只给出部分样本的标签。在此情况下,如何基于样本标签而不是对应点信息设计流形对齐算法,是本文要解决的另一个问题。因此,本文主要围绕基于少量对应信息的流形对齐问题和利用标签信息的对齐问题两个方面展开。具体来讲,本文的主要工作有:1、基于少量对应点,设计了新的半监督流形对齐算法。流形对齐的关键步骤在于挖掘不同数据集样本点之间的关联性。假设给定少量的对应点,本文利用样本点到对应点的测地距离刻画每个样本点的流形结构。通过比较不同数据集样本点的流形结构,可以挖掘了这些样本点之间的关联性。此外,我们从理论上验证了对于采样自不同d维流形的样本数据集,只需要给定d+1个满足给定条件的对应点,本文提出的算法就能准确挖掘不同数据集样本间的关联性。最后,通过数值实验验证了在只给出少量对应点信息的情况下,本文提出算法同其它半监督流形对齐算法的优势。2、基于分类的流形对齐算法的研究。本文基于两种假设条件给出了流形对齐算法在不同情况下对分类问题的处理。对于对应点信息和标签信息都给出的情况,我们对构造出的拉普拉斯图矩阵进行重新排列,利用半监督算法模型对未知标签的样本点分类。但是在很多情况下,并没有给出对应点信息而只是给出部分样本点的标签信息。在此情况下,本文设计了一种新的两步流形对齐算法。首先,我们通过流形学习方法将每个数据集各自投影到一个低维空间。其次,利用每个数据集中训练点的标签信息,设计了一种新的优化模型,学习出数据集之间的平移和转换关系,从而将不同数据集投影到一个共同的低维空间。最后,通过数值实验验证了本文提出的算法在数据分类中的有效性。(本文来源于《华侨大学》期刊2015-06-10）
流形对齐论文开题报告
（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：
数据分类是模式识别和数据挖掘等领域的研究热点。随着互联网的普及,实际应用中所面临的分类数据不仅数据量大而且呈现出较高的维度,给数据分析带来很多不便。如何对这些数据提取有效特征是我们面临的首要问题。流形学习和度量学习都是典型的非线性特征提取方法,已广泛应用于分类问题中。但传统流形学习和度量学习都只能用于单个领域。由于web应用领域的飞速发展,数据更新速度快,新领域层出不穷。新领域中的训练数据往往是有限的不足以满足传统分类方法对训练数据量的要求,标注新数据或重新训练模型都会带来巨大的成本。如何利用已有的相关辅助域中的标记数据帮助新领域学习有效的分类模型是学者们一直关注的问题。流形对齐算法是解决上述问题的一种潜在方法。流形对齐将来自不同领域的高维数据同时投影到一个共同的潜在低维空间中,同时保持流形间的对应关系和流形自身局部几何结构不变,从而实现迁移学习。传统的流形对齐算法需要充足的对应点信息挖掘不同流形样本点之间的联系。但是,在数据分类问题中,一般只有训练样本的标签信息,而没有数据集之间的对应点信息。如何利用标签信息,挖掘不同领域数据之间的关联性,是将流形对齐应用于跨领域数据分类的关键问题。本文以分类问题为研究背景,利用标签信息挖掘不同流形样本点间的联系,并提出基于标签信息的流形对齐算法。此外,将流形学习和度量学习结合,改进数据分类的准确性。进一步的,将度量学习与流形对齐思想结合,将度量学习应用于跨领域数据分类。具体研究内容如下:1.提出基于标签空间映射的流形对齐算法。算法通过样本标签信息和局部几何结构重构每个样本点的特征,并结合余弦相似性计算流形间样本点的相似度。保持目标域局部几何结构和流形间的相似性不变,将源域和目标域同时投影到共同的标签空间。在计算目标域未知类别样本的低维嵌入的同时获得样本类别而不需要用到分类器。在几个数据集上的分类实验验证了基于标签空间映射的流形对齐算法的有效性。2.提出基于近邻元分析的半监督局部线性嵌入算法。算法将度量学习与流形学习结合起来,充分利用样本标签信息结合度量学习学习新的距离度量方式以准确挖掘样本局部几何结构。保持这种样本局部几何结构不变,将样本投影到低维空间。实验证明,该算法能得到良好的降维效果,将低维嵌入结果输入分类器能得到较好的分类结果。3.提出基于近邻元分析的半监督流形对齐算法。算法借鉴近邻元分析和流形对齐的思想,将原来单个数据集上的近邻元分析模型推广到两个流形上,结合两个流形上的标记数据,在两个流形上同时分别学习合适的度量矩阵,将两个流形投影到类别区分度更明显的低维空间。在一些数据集上的实验证明了该方法在分类问题中的有效性。
（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。
流形对齐论文参考文献
[1].凌必祥.流形上的干扰对齐预编码技术研究[D].南京邮电大学.2018
[2].李雪晴.基于标签信息的流形对齐算法研究[D].华侨大学.2018
[3].徐猛,王靖,杜吉祥.采用邻域关联性的非监督流形对齐算法[J].华侨大学学报(自然科学版).2018
[4].徐猛,王靖.一种基于全局和局部特征匹配的流形对齐算法[J].计算机工程与科学.2018
[5].凌必祥,解培中,李汀.Stiefel流形上的单边干扰对齐预编码[J].信号处理.2018
[6].李汀,赵娟.基于Grassmannian流形共轭梯度算法的干扰对齐方案[J].扬州大学学报(自然科学版).2017
[7].李汀.多用户干扰信道下建模于流形上的联合干扰对齐预编码[J].数据采集与处理.2017
[8].徐猛.基于关联性挖掘的流形对齐算法研究[D].华侨大学.2016
[9].聂俊美,谢显中,张森林,雷维嘉.多用户认知网络中基于Grassmann流形梯度法的干扰对齐算法[J].信号处理.2016
[10].张昕.流形对齐中若干问题研究[D].华侨大学.2015