相似度矩阵
相似度矩阵的相关文献在2003年到2022年内共计116篇,主要集中在自动化技术、计算机技术、教育、机械、仪表工业
等领域,其中期刊论文96篇、会议论文4篇、专利文献166247篇;相关期刊53种,包括情报学报、计算机工程、计算机工程与应用等;
相关会议4种,包括2011全国情报学博士生学术论坛、2010年亚太信息网络与数字内容安全会议、2017年全国嵌入式系统学术会议等;相似度矩阵的相关文献由329位作者贡献,包括王凯、冶忠林、赵海兴等。
相似度矩阵—发文量
专利文献>
论文:166247篇
占比:99.94%
总计:166347篇
相似度矩阵
-研究学者
- 王凯
- 冶忠林
- 赵海兴
- 吴骁伦
- 曹蓉
- 李志伟
- 杨敏
- 余小高
- 倪静
- 刘雨
- 张东
- 张友华
- 张科
- 张鸿
- 徐梦龙
- 徐济成
- 朱宇
- 朱诚
- 李昌华
- 李智杰
- 李永钢
- 李田力
- 李绍稳
- 杨艳
- 杨金龙
- 林潇
- 王一宾
- 王运
- 程玉胜
- 程秀峰
- 胡威
- 谈晶圩
- 辜丽川
- 高阳
- 龙群芳
- CHENG Yusheng
- Cao Rong
- LI Tianli
- Paul J.Kennedy
- WANG Yibin
- Ye Zhonglin
- Zhang Ke
- Zhao Haixing
- Zhu Yu
- 丁天一
- 万庆生
- 万源
- 万福成
- 于剑
- 于洪志
-
-
李向利;
逯喜燕;
范学珍
-
-
摘要:
非负矩阵分解(NMF)是一种有效的数据降维方法,广泛应用于图像聚类等领域。然而,NMF不能捕获数据固有的几何结构,所以基于图的非负矩阵分解被提出。基于图的算法大多使用K-近邻来构造相似度图。由于数据中的异常值和错误特征,直接构造图是不准确的。针对上述问题,提出了基于学习一致性相似度矩阵的图非负矩阵分解方法。该方法首先通过自适应学习来获得相似度矩阵,然后通过相似度矩阵构造拉普拉斯图正则项,最后将该正则项加入原始的非负矩阵分解模型中。优化了之前直接使用K-近邻构图的弊端,并且能很好地保持数据的几何结构。新提出的算法在USPS、yale、faces以及ORLdata数据集上进行聚类试验并与一些先进算法进行了比较。数值试验结果证明了本文提出的算法性能很好。
-
-
熊炘;
郑少帅;
何俊;
杨世锡
-
-
摘要:
齿轮箱发生故障时,因振源耦合等因素,各类单一故障和复合故障间具有一定共性特征,造成传统的基于卷积神经网络(convolutional neural network,简称CNN)的智能诊断方法准确率下降和诊断性能鲁棒性差。针对上述问题,提出一种新的基于一维卷积神经网络(one-dimensional CNN,简称1DCNN)的齿轮箱故障智能识别方法。该网络引入LeakyRelu激活函数替代原网络结构卷积层中的激活函数,防止训练时的神经元失效;利用LookAhead优化器,避免反向参数优化时训练结果收敛于局部极值;提出相似性损失度量函数,最小化同类样本序列间距的同时最大化不同类样本序列间距,以强化网络结构的标签识别能力和分类稳定性。将上述网络命名为sLL-1DCNN,利用齿轮箱故障模拟试验台信号对网络进行训练并识别各类故障,结果表明,该网络在训练集样本序列数量较少时具有更好的特征提取和泛化能力,且在训练集样本序列数量增加时,具备优于其他3种CNN的分类能力和分类稳定性。
-
-
周君良;
郭庆;
蒋肇标;
张震伟
-
-
摘要:
聚类是数据挖掘的一个重要方面,而对高维混合特征数据聚类仍然是一个具有挑战性的问题。针对高维混合特征数据下欧氏距离失去意义的问题,提出了一种基于随机贪婪的树状基学习器集成的森林聚类算法。模型能够利用树状基学习器集成的优点,同时处理离散和连续特征混合下的数据以及高维度的数据。借鉴随机森林计算相似度矩阵的方法,计算聚类森林中样本之间的相似度,用相似度矩阵代替传统聚类时的欧氏距离,解决了高维混合特征数据下欧氏距离没有意义的问题。通过在合成数据集和真实数据集上的一系列实验,与传统聚类算法进行对比,以纯度为评价指标,该算法在混合特征数据集上的聚类纯度明显高于传统聚类算法。
-
-
王治和;
曹旭琰;
杜辉
-
-
摘要:
传统DBSCAN算法不能正确聚类密度不均匀的数据集,聚类结果受邻域阈值和密度阈值参数的影响较大。提出一种新的优化初始点和自适应半径的密度聚类算法。利用反向最近邻和相似度矩阵发现当前全局密度最大的数据样本,分析该样本周围密度的分布情况,采用自适应的方法计算当前簇的邻域阈值,并利用DBSCAN算法进行聚类。在人工数据集和UCI数据集上进行测试的结果表明,与经典的DBSCAN、OPTICS、RNN-DBSCAN算法相比,优化初始点和自适应半径的密度聚类算法在ARI、NMI、Homogeneity、Completeness和V-measure 5个评价指标上整体取得最优值,其中在Compound、Jain等数据集上达到1.0,具有较高的聚类效率和准确度。
-
-
康延亭;
王直杰
-
-
摘要:
现有的基于深度学习的图像修复网络通常采用注意力机制以相似匹配的方式将完好区域信息填充到待修复区域来提升待修复区域的纹理细节。然而,现有的注意力机制的度量方式仅考虑特征纹理而缺少对语义的理解以至于会利用到一些语义不相似区域的信息。为了解决这一问题,本文提出一种基于掩码transformer的图像修复网络,该掩码transformer模块相较于基本的transformer层的区别主要包括两部分:1) 通过掩码将特征图分为有效区域和无效区域并提出掩码注意力机制有效的建模待修复区域和完好区域的相似性;2) 提出用查询集和相似度矩阵加权融合的方法为待修复区域精确填充信息。与传统的注意力机制相比,基于transformer的方法能够较为有效的提升修复的纹理效果。
-
-
李斌;
万源
-
-
摘要:
多视角特征选择通过融合多个视角的信息获取具有代表性的特征子集,来提高分类、聚类等学习任务的效率。然而,描述对象的特征繁杂多样且相互关联,单一地从原始特征中选择特征子空间可以简单地解决维度问题,但无法有效获取数据内部存在的结构信息和特征关联信息,且固定使用相似度矩阵和投影矩阵易损失视角间的相关性。针对以上问题,提出了基于相似度矩阵学习和矩阵校正的无监督多视角特征选择(SMLMA)算法。该算法首先构造所有视角的相似度矩阵,通过流形学习得到一致相似度矩阵以及投影矩阵,最大程度地发现和保留多视角数据的结构信息;其次采用矩阵校正的方法,最大化相似度矩阵和核矩阵之间的相关性,合理利用不同视角之间的关联性,减少特征子集的信息冗余;最后,采用Armijo搜索方法快速得到收敛结果。在4个实验数据集Caltech-7,NUS-WIDE-OBJ,Toy Animal和MSRC-v1上的实验结果表明,相比单视角特征选择和部分多视角特征选择方法,所提算法在聚类任务上的准确率平均提高了约7.54%。其较好地保留了数据的结构信息和多视角之间特征的相关性,捕获了更多高质量的特征。
-
-
任玉艳;
熊馨;
贺建峰
-
-
摘要:
肠道菌群与诸多人类重大疾病相关,研究在不同条件下的肠道菌群数据具有重要意义。由于菌群数据出现零膨胀现象,采用成对比率几何平均值(GMPR)方法对其进行归一化。本研究以2型糖尿病数据集为例,提出一种改进的Spectrum算法。首先,使用基于特征加权的相似度矩阵,避免忽视每个样本/特征所对应的不同特征值大小在该样本中所占据的权重;其次,将拉普拉斯矩阵替换为Hessian矩阵,避免传统谱聚类的灵敏度问题,将ISODATA聚类算法代替原本的K-means算法,有效地调整聚类中心数K。试验结果表明,GMPR+改进Spectrum在2型糖尿病中的标准化互信息(NMI)为0.423,戴维森堡丁指数(DBI)为4.751,Calinski-Harabasz指标(CH)为25.541,兰德指数(RI)为0.835,调整兰德指数(ARI)为0.019,较改进前的效果有所提升,并且该算法可以识别出不同类型患病人群在肠道菌群上的结构差异,挖掘出肠道微生物组的关键细菌。
-
-
张要;
马盈仓;
杨小飞;
朱恒东;
杨婷
-
-
摘要:
为学得更好的相似矩阵,提出一种基于L2,1-范数距离相似度矩阵的学习方法,给出相应的聚类算法(CSCA).利用L2,1-范数距离计算出相似度矩阵,对相似度矩阵施加平方的约束;通过约束相似度矩阵所构建的拉普拉斯矩阵,求出对应的特征向量空间;利用学得的相似度矩阵中的连通分量直接得到聚类结果.实验结果表明,该算法在人工数据集和真实数据集上的聚类结果大多优于其它聚类算法,验证了所提聚类算法的有效性.
-
-
白志超;
康维新
-
-
摘要:
为了有效地提高MRI脑肿瘤图像的分割精度,更好地辅助医生诊断病情,提出了一种多特征融合的超像素谱聚类MRI脑肿瘤图像分割方法.首先通过简单线性迭代聚类分割的超像素替代像素点来构建加权无向图,并且融合多种图像特征构建相似度计算函数,同时采用自适应的方式计算高斯核的尺度参数,根据相似度函数计算相似度矩阵进而求得拉普拉斯矩阵,然后对此拉普拉斯矩阵的特征向量进行K-means聚类来完成对图像的分割.在BraTS 2015数据集上与其他2种谱聚类图像分割方法进行了对比实验,并采用相似性系数(Dice)、相对体积误差(RVD)和灵敏度(Sensitivity)这3个指标对分割结果进行评价.结果表明,本文方法在这3个指标上均优于对比方法.因此本文提出的多特征融合的MRI脑肿瘤图像分割方法能够更高效、更精确地完成MRI图像的分割.
-
-
沈兴鑫;
杨余旺;
肖高权;
徐益民;
陈响洲
-
-
摘要:
针对于蚁群聚类算法在搬运数据项过程中随机选择移动位置时,由于无效移动导致的算法收敛速度缓慢等缺陷,论文提出了一种基于相似度的蚁群聚类算法.通过设计相似度矩阵,基于相似移动机制将蚂蚁随机移动方式优化为按照相似度矩阵规则实施目的性的关联.实验选取Iis、Wine、Haberman和Balance-scale四种经典数据集,相较于现有的LF算法及GACC算法,结果表明在蚂蚁空载率都为90%的条件下,论文提出的SMACC算法的迭代次数明显降低,均体现出较优的聚类速率.
-
-
Ye Zhonglin;
冶忠林;
Cao Rong;
曹蓉;
Zhao Haixing;
赵海兴;
Zhang Ke;
张科;
Zhu Yu;
朱宇
- 《2017年全国嵌入式系统学术会议》
| 2017年
-
摘要:
现有的链路预测方法的数据来源主要是基于邻居、路径、和随机游走的方法,使用的是节点相似性假设或者最大似然估计.尚缺少基于神经网络的链路预测研究.而基于神经网络的一些研究表明,基于神经网络的DeepWalk网络表示学习算法,可以更加有效的挖掘到网络中的结构特征.已有研究证明,DeepWalk等同于矩阵分解目标矩阵.因此,该文提出了一种基于DeepWalk矩阵分解的链路预测算法(IPMF).该算法首先基于矩阵分解的DeepWalk算法训练得到网络的表示向量.然后通过余弦相似度计算每对节点之间的相似度,构建目标网络的相似度矩阵.最后利用相似度矩阵,在三个真实的引文网络做进行链路预测实验.实验结果表明,本文提出的链路预测算法性能优于现存的20余种链路预测算法,这充分表明了基于神经网络的网络结构挖掘算法能够有效的挖掘网络中节点之间的结构关联性,而且在实际网络的链路预测中能够发挥出较为优异的性能.
-
-
-
WANG Yibin;
王一宾;
LI Tianli;
李田力;
CHENG Yusheng;
程玉胜
- 《第六届中国计算机学会大数据学术会议》
-
摘要:
标记分布是一种新的学习范式,现有算法均直接利用条件概率建立参数模型,但大多数未充分考虑样本之间的联系.基于此,引入谱聚类算法,通过样本之间相似性关系将聚类问题转化为图的全局最优划分问题,进而提出一种结合谱聚类的标记分布学习算法SC-LDL(Label Distribution Learning with Spectral Clustering).首先计算样本相似度矩阵,然后对矩阵进行拉普拉斯变换,构造特征向量空间,最后通过K-means算法对数据进行聚类建立参数模型,预测未知样本的标记分布.与现有算法在多个数据集上的实验表明,本算法优于多个对比算法,统计假设检验进一步说明算法的有效性和优越性.
-
-
-
-
-