基于流形学习和稀疏约束的文本分类与聚类算法研究

目录

声明

第一章 绪论

1.1 研究背景

1.2 国内外研究现状

1.2.1 KNN算法改进现状

1.2.2 非负矩阵分解研究现状

1.2.3流形学习算法的研究现状

1.2.4 稀疏表示的研究现状

1.3 论文的主要工作和组织结构

1.3.1 主要工作

1.3.2 主要创新点

1.3.3 章节安排

第二章 相关理论与技术基础

2.1 关键技术基础

2.1.1 KNN算法简介

2.1.2 非负矩阵分解算法

2.1.3 稀疏学习

2.1.4 流形学习

2.1.5 文本分类与聚类

2.2 相关理论与技术综述

2.2.1高维数据降维

2.2.2稀疏自动编码器

2.2.3余弦相似度

2.2.4 文档词项矩阵

2.3 本章小结

第三章 基于LPP和稀疏约束的自适应KNN文本分类算法

3.1 算法模型定义

3.2自适应KNN文本分类算法

3.2.1 基于稀疏约束对样本重构

3.2.2 基于LPP的样本投影映射过程

3.3 实验及结果分析

3.3.1 实验数据集说明及评价指标

3.3.2 参数调整分析

3.3.3 分类结果分析

3.4本章小结

第四章 用于独立特征学习的稀疏非负矩阵分解文本聚类算法

4.1 算法原模型定义

4.2 稀疏非负矩阵分解算法

4.2.1 稀疏约束

4.2.2 余弦相似性度量

4.2.3 迭代更新规则

4.3 收敛性分析

4.4 实验及结果分析

4.4.1 数据集

4.4.2 实验设置

4.4.3 聚类结果分析

4.5 本章小结

第五章 总结与展望

5.1 全文总结

5.2 展望

参考文献

个人简历 在读期间的科研成果

致谢