声明
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 参数削减聚类算法
1.2.2 基于子空间的多视图聚类算法
1.2.3 非负张量分解算法
1.2.4 非负张量分解并行化及优化方法
1.3 本文研究内容
1.4 本文章节组织和安排
第2章 基于层次化策略的密度峰值聚类算法
2.1 参数削减的聚类算法
2.1.1 基于密度划分策略的聚类算法
2.1.2 基于密度峰值的算法
2.2 基于层次化策略的密度峰值算法
2.2.1 问题描述
2.2.2 建立子簇
2.2.3 合并子簇
2.2.4 算法过程
2.3 实验结果及分析
2.3.1 实验设置
2.3.2 实验结果
2.3.3 参数分析
2.4 本章小结
第3章 基于多视图和张量低秩表达的MVTLR-HCFS算法
3.1 子空间与多视图聚类相关技术原理及应用现状
3.1.1 相关概念及技术原理
3.1.2 应用现状
3.2 基于多视图和张量低秩表达的MVTLR-HCFS算法
3.2.1 相关定义
3.2.2 张量低秩优化问题
3.2.3 优化问题求解
3.2.4 高维数据的簇内不均匀分布现象
3.2.5 算法过程
3.3 实验结果
3.3.1 实验设置
3.3.2 实验结果
3.3.3 收敛性分析
3.4 本章小结
第4章 基于单通道模型的通用因子矩阵更新算法
4.1 相关符号和定义
4.1.1 相关符号和名称
4.1.2 相关定义
4.1.3 NTF与NMF的差异
4.1.4 NTF相关问题
4.1.5 SNTF相关问题
4.1.6 GPU计算模型
4.2 通用的因子矩阵更新算法
4.2.1 通用的单通道模型GS S NT F
4.2.2 算法的并行化设计
4.2.3 算法复杂度分析
4.3 实验结果及分析
4.3.1 实验设置
4.3.2 关于秩R的扩展性实验结果
4.3.3 算法的收敛性实验结果
4.4 本章小结
第5章 GSSNTF在多GPU与在线学习模型上的扩展算法
5.1 相关研究
5.1.1 相关定义
5.1.2 相关应用情况
5.2 基于多GPU的MCUGSSNTF算法
5.2.1 多GPU通信原理
5.2.2 MCUGSSNTF算法
5.3 在线的GSSNTF算法
5.3.1 在线学习的算法
5.3.2 更新临时因子矩阵A(N),t2
5.3.4 新旧数据在线归并结构OnCSF
5.4 实验结果
5.4.1 实验设置及数据
5.4.2 并行化算法实验结果对比
5.4.3 OnGSSNTF算法实验结果
5.5 本章小结
参考文献
致谢
附录A 攻读学位期间所发表的学术论文
湖南大学;