降维

摘要： 可视化风险评估是指运用可视化方法对评估对象的综合风险进行分析和展示的过程。由于风险评估的对象一般有多个维度,不能直接在低维空间中进行可视化。为解决高维对象风险评估的可视化问题,本文将多维尺度变换用于风险评估问题,通过等距变换在低维空间中表示研究对象的综合风险,揭示数据的潜在结构。结果表明:该方法能有效处理高维风险数据,以直观可视的方式揭示评估对象的综合风险分布,从而为风险评估和管控提供指导。

摘要： 形成物理学科大概念是知识向素养提升的关键环节,利用物理概念与物理方法的总结、归纳、升华形成物理思维﹑建立物理学科大概念,进而形成学科观念,培养学科素养,凸显大概念能够提高物理教学的“纲领性”与学习知识的“策略性”。通过对“力的合成与分解”的矢量运算关系进行深度分析和归纳,最终呈现出二者的优选性与实效性,帮助学生在具体的力学模型处理中能够实现程序性向策略性的转变,最终培养“降维”分析的物理思维。

摘要： 为了提高图像识别性能,采用孪生支持向量机用于图像分类识别,并结合二维Gabor小波对图像纹理特征进行提取,借助局部线性嵌入(Locally linear embedding,LLE)降维,以进一步提高图像识别准确率和识别效率。采用二维Gabor小波对图像数据进行有效滤波,获得图像关键纹理特征,然后对大量纹理特征进行LLE降维,以降低维度过高带来的运算量巨大问题,采用孪生支持向量机(Twin support vector machine,TWSVM)对关键纹理特征进行分类,获得图像分类结果并完成图像识别。实验证明,Gabor+LLE+TWSVM方法对图像识别的适用度高,相比常用图像识别算法,通过合理设置二维Gabor小波的尺度和方向参数,并借助LLE有效降维,运用孪生支持向量机可以获得更高的图像识别准确率。

摘要： 为了解决"维数灾难"给高维复杂系统数据驱动建模带来的过拟合、计算复杂度高等问题,探究特征提取算法对回归结果的影响。首先使用主成分分析法、非负矩阵分解法、局部线性嵌入法和均匀流形近似与投影法分别进行降维,提取关键特征后在多项式模型与随机响应面模型中进行回归,最后在草炭土土壤和电力系统的数据集上进行了仿真建模分析。仿真结果表明,在草炭土土壤中使用主成分分析法降维后的预测效果最好,在电力系统中使用非负矩阵分解法降维后的概率潮流回归结果最准确。经过分析后可知,主成分分析法适用于具有明显线性相关关系的高维数据集,基于流形的降维算法在本征维数较低的情况下不利于构建相似流形,提取关键特征的效果较差。

摘要： 为了在揭示数据全局结构的同时保留其局部结构,本文将特征自表达和图正则化统一到同一框架中,给出了一种新的无监督特征选择(unsupervised feature selection,UFS)模型与方法。模型使用特征自表达,用其余特征线性表示每一个特征,以保持特征的局部结构;用基于L_(2,1)范数的图正则化项,在保留数据的局部几何结构的同时可以降低噪声数据对特征选择的影响;除此之外,在权重矩阵上施加了低秩约束,保留数据的全局结构。在6个不同的公开数据集上的实验表明,所给算法明显优于其他5个对比算法,表明了所提出的UFS框架的有效性。

摘要： 提出一种新的、基于预建模的影像组学特征选择方法,可用于影像组学研究中的特征选择。在预建模过程中,首先将提取的影像特征按照特征类别,如一阶、纹理特征等,划分为特征子集,然后采用五折交叉验证的方法,用训练集中每个特征子集中的特征分别建立分类模型。当基于某个特征子集建立的模型的交叉验证AUC高于特定阈值时,该模型中使用的所有子类特征即被选择用于最终的建模。在BraTS2019公开数据集和踝关节不稳定性数据集上对该方法进行了实验,在独立测试集上的AUC分别达到0.947和0.767,优于传统算法的结果。

摘要： 极限学习机自编码器作为无监督降维方法,通过重构输入数据来提取原始样本特征,具有学习速度快、泛化性能高等优势.但经典极限学习机自编码器表示能力有限,使得重构输出和原始样本之间的残差不可避免.因此借鉴残差补偿思想,提出基于残差补偿的极限学习机自编码器,通过不断对重构残差补偿式学习来改善ELM-AE的表示能力.在6个公开数据集上进行K-means聚类实验,结果表明基于残差补偿的极限学习机自编码器(RCELM-AE)能够有效提高聚类准确率.

摘要： 目前商业运营还存在投入成本高但管理不够精细,店铺属性关联不明显等问题。基于此,文章利用机器学习中的聚类模型、关联规则模型解决了上述问题。特别是,利用PCA(principle component analysis,主成分分析)技术将高维数据降维,便于将高维数据的聚类结果进行可视化分析。实验结果验证了文章所提出的算法能够有效的将店铺根据其消费记录进行分类,以及能够利用关联规则将店铺进行兴趣关联和层次定位,运行结果证明该方法是正确和有效的。

摘要： 图嵌入降维算法由于其有效性被广泛应用。传统图嵌入算法构造K-Nearest Neighbors(K-NN)图的计算复杂度至少为O(n^(2)d),其中n为样本数,d为样本维度。在数据量大的情况下,构造K-NN图将非常耗时,因为其计算复杂度与样本数的平方成正比,这将限制图嵌入算法在大规模数据集上的应用。为降低构图过程的计算复杂度,提出一种基于锚点的快速无监督图嵌入算法(Fast Unsupervised Graph Embedding Based on Anchors,FUGE)。该算法首先从数据集中选取锚点(代表点),然后构造数据点-锚点相似度图,最后执行图嵌入分析。由于锚点数量远小于数据量,所提方法能有效地降低构图过程的计算复杂度;不同于使用核函数来构造相似度图,该算法直接通过数据点的近邻信息来学习数据点-锚点的相似度图,这进一步加快了构图过程。整个算法的计算复杂度为O(nd^(2)+nmd),其中m为锚点数。在基准数据集上的大量实验证明了所提算法的有效性和高效性。

摘要： 处理高维复杂数据的聚类问题,通常需先降维后聚类,但常用的降维方法未考虑数据的同类聚集性和样本间相关关系,难以保证降维方法与聚类算法相匹配,从而导致聚类信息损失.非线性无监督降维方法极限学习机自编码器(Extreme learning machine,ELM-AE)因其学习速度快、泛化性能好,近年来被广泛应用于降维及去噪.为使高维数据投影至低维空间后仍能保持原有子空间结构,提出基于子空间结构保持的多层极限学习机自编码器降维方法(Multilayer extreme learning machine autoencoder based on subspace structure preserving,ML-SELM-AE).该方法在保持聚类样本多子空间结构的同时,利用多层极限学习机自编码器捕获样本集的深层特征.实验结果表明,该方法在UCI数据、脑电数据和基因表达谱数据上可以有效提高聚类准确率且取得较高的学习效率.

摘要： 针对图像隐密检测中图像特征维数过高导致的“维数灾难”问题，提出了一种基于局部线性嵌入的图像隐密检测方案。为得到较全面的图像频域特征，采用Farid的图像特征提取算法形成高维的图像特征向量，进而利用局部线性嵌入(locallinear embedding，LLE)算法实现对图像特征的降维，得到图像特征向量的低维流形，在低维特征空间中设计并训练分类器，实验结果表明，本文提出的方案能够在维数较低的情况下保持对隐密图像的识别率。

摘要： 采用了空问解析几何中的球极映射方法,形成高维向量到低维向量的拓扑变换模型,实现了矩阵形武的高维空间文本集合到低维空间文本集合的一一映射,编制了相应的算法,从而有效地解决了文本挖掘中的非线性降维问题,克服了以往研究中的缺陷.

摘要： 提出一种采用雷达图形实现设备运行状态的分类显示,应用模糊推理对雷达图形进行自动分类判别的方法,并采用主成分分析对数据进行降维处理以减少误判率和模糊推理的复杂度.对减速箱轴承运行状态模式的仿真结果表明,降维后的雷达图仍然能够合理表示故障状态.将数据回代判别,模糊推理的识别结果完全正确.

摘要： 基于改进的迭代自组织聚类的局部保持映射算法是在局部保持映射算法的基础上，根据贝叶斯准则，采用基于改进的迭代自组织聚类算法确定降维维数。实验证明，采用本方法确定的降维维数更符合实际的最佳降维维数，在图像检索应用方面效果也比主成分分析更好。这是因为本方法考虑了维数和类别数关系，不但没有破坏原始的数据结构，而且最大化地消除了高维向量间的相关性和冗余度，提高了检索精度。

摘要： 针对志均值聚类算法对高维数据处理能力差的缺点,提出了基于主元分析降维与k均值聚类相结合的新方法,该方法通过主元分析将高维数据投影到低维空间,再对其进行聚类分析.通过数据聚类分析,选择聚类间的阈变量。操作阈变量改进聚类间的相似度,从而进行聚类的转移.该方法应用于过程改进中,通过仿真实验表明了新方法拥有更好的聚类效果,并且能够提高生产效率.

摘要： 对大型汽轮发电机组整个轴系建立了具有608个自由度的高维非线性动力学模型.基于固定界面模态综合法对该系统方程进行降维,使其自由度数降到30个.采用Newmark逐步积分法数值计算了降维后系统的动态响应,模拟出实际多跨轴系在升速过程中发生油膜振荡的转速及其典型振动特征,表明本文给出的模型和方法在预测大型多跨转子-轴承系统非线性动力学特性中的有效性。

摘要： 对云南腾冲一龙陵地震带1996~2001年发生的M≥1.0地震采用数盒子法和相关函数法,计算了相应时期内地震空间分布的容量维D、信息维D和关联维D,研究了强震发生前后它们的变化特征.通过观察M>5.0较大地震发生前后空间分数维随时间的变化,发现较大地震发生前有降维现象.

摘要： 以200MW汽轮发电机组轴系为例研究椭圆轴承-转子系统的非线性动力学行为。采用有限元法建立系统的动力学模型，椭圆轴承的油膜力采用由变分法导出的非线性模型。利用固定界面模态综合法将608个自由度的非线性动力学系统降至30个自由度，然后采用Rouge-Kutta法对降维后的模型进行数值求解，得到随转速变化的频响曲线、分岔图和三维谱图，并据此分析系统的稳定性。利用转速变化的频响曲线，分析了偏心距、润滑剂黏度系数和轴承长径比等参数对系统动力学行为的影响。数值结果表明：椭圆轴承―转子系统的稳定性区域要大于圆轴承―转子系统的稳定性区域。

摘要： 构成股票市场实时交易数据量的因素众多,同一时刻对于同一股票,往往有多个元素反映股票信息,且其关系错综复杂,如同一股票下对应不同价格有不同的需求股等.在对美国股票市场其中一支股票的多维信息因素进行了主成分分析的方法,检验此降维方法在实时股票数据上压缩信息量的可行性.

摘要： 微阵列技术的发展产生了大量的高维基因表达数据。直接把适合低维空间聚类的传统算法用于高维基因表达数据分析难以得到理想的结果，维组合和维削减两种降维方式都存在着各自的不足—维组合方式产生的新特征很难用原来的领域知识进行解释，维削减方式削减了特征维，通常会丢失信息。另外，多数聚类算法通常由用户指定聚类参数，细微的参数设置差别会导致差异很大的结果。本文针对上述问题，提出了一种新的基于迭代重聚类的基因表达数据聚类分析算法—AIRBAG。它不进行维组合，也不进行维削减，在特征重聚类的基础上，反复用最新得到的样本聚簇重新聚类基因，然后以新的基因聚簇为特征重新聚类样本，逐步求精，最终的结果容易解释且避免了信息的丢失。本文还给出了一种自动确定聚类参数的方法，该方法降低了由于用户缺少领域知识引起的实验误差。AIRBAG 算法被应用于两个微阵列数据集，colon 数据集和 leukemia 数据集，实验结果验证了算法的有效性。

摘要： 数据降维方法及基于数据降维方法的人脸识别方法。本发明提供了一种数据降维方法，包括：S1.对于D维空间R

摘要： 一种基于神经元网络的数据降维系统及其降维方法，包括数据采集系统，所述的数据采集系统同控制系统相连接，所述的控制系统中带有基于神经元网络的数据降维模块。并结合其降维方法可有效避免现有技术中的运算量还是很大、邻域确定的不确定性以及无实用性的缺陷。

摘要： 数据降维方法及基于数据降维方法的人脸识别方法。本发明提供了一种数据降维方法，包括：S1.对于D维空间R

摘要： 一种基于神经元网络的数据降维系统及其降维方法，包括数据采集系统，所述的数据采集系统同控制系统相连接，所述的控制系统中带有基于神经元网络的数据降维模块。并结合其降维方法可有效避免现有技术中的运算量还是很大、邻域确定的不确定性以及无实用性的缺陷。

摘要： 一种基于数据挖掘的高维剧场数据降维可视化处理方法，属于剧场设备信息管理技术领域。它包括以下步骤：1、对高维剧场设备运行大数据进行降维处理；2、对异构数据的信息进行融合，并对融合的高维数据信息提取频繁序列模式；3、对剧场设备运行数据进行聚类处理；4、训练剧场设备运行数据向量，并根据词向量构成句子向量进行文本分类，将优化后的向量在二维语义空间进行语义可视化表示。本发明通过对海量剧场设备高维数据进行降维处理，将相似的文本收敛到可处理的量级，同时结合相关的半监督学习以及隔离森林算法对降维数据文件进行分类，设计数据分类模型算法并进行可视化展示，优化剧场设备运维数据的管理，实现高效准确的运维。

摘要： 本发明公开了涉及数据降维技术领域，公开了一种可调权重的高维数据降维方法及系统，该降维方法，包括以下步骤：Step1，提取数据；Step2，获取属性权重矩阵；Step3，计算加权欧式点对距离；Step4，计算高维空间联合概率；Step5，获取低维空间点分布。本发明解决了现有技术存在的降维准确度较低、误差较大等问题。

摘要： 本发明公开了一种基于降维丝网印刷制备三维微针血糖电极的方法，包括：对金属薄片进行切割，得到悬挂式金属平面微针片；对金属平面微针片进行清洗，并对清洗后的金属平面微针片通过磁控溅射制备电极层；采用丝网印刷在镀有电极层的金属平面微针片的正反两面分别依次印刷功能层；功能层包括电子介体层、葡萄糖氧化酶层及外膜层；对悬挂部位进行切割以使镀有功能层的金属平面微针片脱模；将若干个脱模后的金属平面微针片通过基底框架进行组装得到三维微针血糖电极。本发明实施例实现批量重复性修饰涂层，提高涂层的牢靠性和均匀性，优化制备工艺，可广泛应用于微针制备技术领域。

摘要： 本发明公开了一种基于邻域关系的高维数据快速降维方法以及系统，本发明首先通过探索数据点与其邻居的邻居之间的相似性以构建高维空间中数据点的近似邻域结构，避免了成对数据点之间的相似度计算，在提高计算效率的同时获得尽可能高的准确性；然后对由邻居探索而获得的数据点的邻域进行随机采样，快速生成数据点的上下文序列，进一步加快计算效率；最后利用只含一层隐含层的词向量模型Skip‑gram的高效性，学习高维数值矩阵在低维空间的嵌入表示，从而实现降维处理。本发明可处理通用的数值型矩阵，不局限于原始数据类型，并且计算速度高于同类型的Vec2vec方法，计算准确率优于当前最先进的UMAP方法。

摘要： 本发明提出了一种三维网格模型的降维方法、电子设备及介质，所述降维方法将三维网格模型的仿真结果数据提取到矩阵中，再映射成图像，通过像素调节参与计算的数据量，再基于颜色梯度变化筛选出降维区域和非降维区域，有效避免了网格节点数据计算时由于维度巨大造成求解困难，耗时长的难题；所述降维方法通过神经网络算法实现降维区域的网格模型降维以及非降维区域的节点信息预测，实现三维网格模型高精度降维，得到完整网格节点信息，达到快速仿真，实现对实体设备运行状态的实时诊断。

摘要： 本发明公开了一种高维数据库多层次降维方法，包括如下步骤：步骤1：获取包含多维指标的样本数据集，对样本数据集进行预处理；步骤2：进行标准化处理，使得各指标的数据无量纲；步骤3：第一次降维，删除包含信息量不足的数据集，减少后续操作的计算量，提高计算速度；步骤4：使用关键影响力指数排序法对样本数据集进行第二次降维，降低后续步骤中的共线性问题；步骤5：基于改进的主成分分析法在不改变指标属性的基础上对样本数据集进行第三次降维，获取最终样本数据集。本发明克服机器学习算法比较复杂且运行成本较高的问题的同时，最大化保留原有指标属性，运行效率高，可操作性强。