分类稀疏低秩表示的子空间聚类方法

近年来低秩表示和稀疏表示用于子空间聚类的研究得到了广泛关注,文献中已有许多相关的子空间聚类方法.文章结合弹性网正则化低秩表示和分类稀疏表示,提出一种分类稀疏低秩表示的子空间聚类方法.方法旨在更充分地捕获数据集的局部线性结构和全局结构信息,提高聚类性能.首先采用并行分裂的自适应惩罚的线性交替方向法求解模型,然后利用求得的系数矩阵构造相似度矩阵,最后应用谱聚类方法进行聚类.另外,取代现有方法手动调节正则化参数,文章采用自适应调节正则化参数确定目标函数中各项的权重.在人工数据集、Extended Yale B数据库和CMU PIE数据库上的实验结果表明,文章方法有更明显的聚类效果和更高的准确率.     

混合流形结构的子空间聚类研究

主要讨论了线性流形和多流形的相关性分析、聚类分析等基本问题,在假设高维数据模型为多个子空间混合模型的基础上,分析了原始数据的几何结构特征,对于线性流形聚类问题采用稀疏子空间聚类算法(SSC),对于多流形聚类问题采用混合流形聚类算法(SMMC).此外,还通过对原始数据进行数据重采样,达到降维的目的,更有效的提取空间几何特征量,达到更好的聚类效果.     

基于数据流形结构的聚类方法及其应用研究

随着信息社会的不断发展,人类已经进入了信息爆炸时代,海量的数据使数据处理变得繁琐复杂,因此如何对现有的高维数据降维、聚类,并在一定程度上消除高维数据中存在的噪声是解决该问题的关键.基于相关的理论知识采用先降维后聚类的步骤,把高维数据按照子空间结构和流形结构两种情况分类,运用稀疏子空间聚类、谱多流形聚类、K-manifolds方法进行建模求解,通过对各种方法的对比,得出谱多流形聚类方法运行速度快,聚类准确度高,是最具有一般性特征的模型.     

几种典型数据类型的谱聚类方法研究

主要针对几种典型数据的多流形结构分析问题进行了研究.综合分析多种谱聚类算法优缺点,以谱多流形聚类算法为主线,结合实验结果对多种谱聚类算法进行了分析,最后针对数据空间密度不均匀的情况对谱多流形聚类算法进行了一定的改进,提出了一种基于自适应近邻值的谱多流形聚类算法,并通过实验证明其达到了混合多流形聚类的目的.     

基于成对约束的主动学习半监督谱聚类

半监督学习是近年来机器学习领域中的一个重要研究方向,其监督信息的质量对半监督聚类的结果影响很大,主动学习高质量的监督信息很有必要.提出一种纠错式主动学习成对约束的方法,该算法通过寻找聚类算法本身不能发现的成对约束监督信息,将其引入谱聚类算法,并利用该监督信息来调整谱聚类中点与点之间的距离矩阵.采用双向寻找的方法,将点与点间距离进行排序,使得学习器即使在接收到没有标记的数据时也能进行主动学习,实现了在较少的约束下可得到较好的聚类结果.同时,该算法降低了计算复杂度,解决了聚类过程中成对约束的奇异问题.通过在UCI基准数据集以及人工数据集的实验表明,算法的性能好于相关对比算法,并优于采用随机选取监督信息的谱聚类性能.     

线性低秩逼近与非线性降维

综合分析介绍了在线性与非线性数据约化两方面的最新工作: 对线性情形, 讨论了列分块矩阵奇异值分解的结构分析和稀疏低秩逼近方法与算法; 对非线性情形, 研究了非线性降维与流形学习的方法. 这些问题均为数据挖掘 与机器学习领域极受关注的研究课题.     

数据的多流形结构分析

建立了基于ALM和权值的LRR聚类改进模型,对高维数据进行分析,将其分为两个独立的子空间,并与传统k-means聚类模型进行对比,采用评价指标模型对聚类结果进行评价分析.提出的LRR聚类改进模型在正则项引入了权重系数w,可以更好地将扰动分开,求解结果及评价指标均有效地验证了其稳定性、精确度等性能均有所提升.建立了SMMC改进模型,对机器工件外部边缘轮廓进行分类.从求解结果可看出该模型非常适合用于处理混合多流形聚类问题,对于比较复杂的曲线有着很好的分类性能.按照数据预处理、数据建模分析、模型结果评价步骤,通过使用谱聚类分析和多流形学习方法,对所给出的高维数据进行分析和处理,并通过评价模型得出相应的评价指标,对数据的多流形结构进行了深入的研究和探讨.     

基于SMMC模型的数据多流形结构分析研究

采用混合多流形谱聚类模型(SMMC)对独立子空间、非独立子空间,非线性良分离及非线性交叉等流形聚类中的四种典型数据进行聚类,并与其他流形聚类方法进行比较,发现SMMC模型聚类效果良好且具有强鲁棒性和泛化能力.将SMMC模型运用于具有混合多流形结构的工件外部边缘轮廓进行聚类,结果显示SMMC模型能够很好的将其分为三类.针对SMMC模型复杂度高、选取参数困难及运行时间长的问题,提出了基于模拟退火遗传算法SMMC模型,结果发现改进后的模型能够大大缩短运行时间.     

基于流形学习的非线性维数约简方法

流形学习是一种新的非线性维数约简方法,近年来正引起可视化等领域研究者的高度重视.为加深对流形学习的理解,介绍了流形学习的基本原理,总结了其研究进展和分类方法,最后阐述了几种常用的流形学习方法的基本思想、算法步骤和各自的优缺点.通过在人工数据集Swiss-Roll上进行实验,将各类方法在近邻值选取和噪声影响等方面进行了对比分析,结果表明:与传统的线性维数约简方法相比,流形学习方法能够有效地发现观测样本的低维结构.最后对流形学习未来的研究方向作出展望,以期在这一领域取得更大进展.     

稀疏数据非线性降维的CN-Isomap算法

针对经典的流形学习算法Isomap在非线性数据稀疏时降维效果下降甚至失效的问题,提出改进的切近邻等距特征映射算法(Cut-Neighbors Isometric feature mapping,CN-Isomap).该算法在数据稀疏的情况下首先通过有效识别样本点的"流形邻居"来剔除近邻图上的"短路"边,然后再通过最短路径算法拟合测地线距离,使得拟合的测地线距离不会偏离流形区域,从而低维嵌入映射能够正确地反映高维输入空间样本点间的内在拓扑特征,很好地发现蕴含在高维空间里的低维流形,有效地对非线性稀疏数据进行降维.通过对Benchmark数据集的实验表明了算法的有效性.CN-Isomap算法是Isomap算法的推广,不仅能有效地对非线性稀疏数据进行降维,同样也适用于数据非稀疏的情况.     

线性流形的性质

线性流形作为n维数组向量空间的子集合,与线性方程组的解和n维数组向量空间的子空间有着密切的联系.通过讨论线性流形的一些基本性质,研究其与线性方程组的解,线性子空间的关系,从而加深对这一概念的理解.     

解约束优化问题的QP-free可行域方法

本文利用一个新的分片线性NCP函数提出一个新的可行的QP-free方法解非线性不等式约束优化问题.不同于其他的QP-free方法,这个方法只考虑在工作集中的约束函数,工作集是积极集的一个估计,因此子问题的维数不是满秩的.这个方法可行的并且不需假定严格互补条件、聚点的孤立性得到算法的全局收敛性,并且积极约束函数的梯度不要求线性独立的,其中由拟牛顿法得到的子矩阵不需要求一致正定性.     

R~n上Plate方程全局吸引子的正则性和有限维性

研究了无界区域Rn上Plate方程全局吸引子的正则性和有限分形维性.该方程的全局吸引子在相空间H2(Rn)×L2(Rn)的存在性已在先期文章建立,现在进一步证明该全局吸引子具有更好的正则性,即它是H4(Rn)×H2(Rn)的有界集并具有有限分形维数.     

黎曼流形上具有Neumann边界条件的Monge-Ampère型方程

文章研究了黎曼流形上具有N eumann边界条件的Monge-Ampère型方程的全局正则性,并将其在欧几里得空间中的主要结论推广到了曲面空间.     

一类非线性双曲动力系统的近似弱惯性流形

引入了近似及半近似弱惯性流形的概念,通过某些变换及逼近技巧,得到了一类非线性双曲动力系统的全局吸引子及半近似弱惯性流形的存在性,并由此结果进而讨论了另一类与量子力学问题相关的系统的弱惯性流形的存在性,最后提出了正则化的问题.     

半离散Schr?dinger-BBM型方程的全局吸引子

主要研究用Crank-Nicolson格式对时间t半离散化的Schr?dinger-BBM方程组的长时间行为,证明了该半离散化方程全局吸引子的正则性.首先证明半离散方程在H~1×H~1空间上生成一个离散无穷维动力系统,并且在H(3/2-ε)×H~2拥有一个全局吸引子A_τ;然后证明该全局吸引子A_τ是正则的,即A_τH~(3/2-ε)×H~2是有界的并且是紧的.     

基于sc RNA-seq数据的单细胞非线性降维方法

单细胞转录组测序数据中蕴含着丰富的细胞异质性表达信息,但也包含大量的冗余信息.降维不仅可以提取单细胞转录组测序数据内部的本质结构,减少冗余和噪声造成的误差,还可以为细胞聚类、基因富集分析、细胞发育轨迹推断等提供重要依据.本文介绍了基于流形学习、非负矩阵分解以及深度学习的非线性降维方法及其在单细胞转录组测序数据中的应用.     

阻尼Navier-Stokes方程全局吸引子的正则性（英文）

本文研究阻尼Navier-Stokes方程全局吸引子问题.利用迭代法和线性算子半群的正则性估计,结合经典的全局吸引子理论,证明了阻尼NS方程在H~k空间中存在全局吸引子,并在H~k范数下吸引任意有界集.     

Davey-Stewartson方程组的近似惯性流形

本文研究了二维Davey--Stewartson方程组,证明了解的时间解析性和Gevrey类正则性,构造了指数式的近似惯性流形.本文结果表明,如果一个方程的线性主部算子能生成一个解析半群,那么其平坦近似惯性流形(Galerkin近似)和非平坦近似惯性流形具有相同的逼近精度,都可以是指数式的.     

球面上$\ell_1$正则优化的随机临近梯度方法

本文研究球面上的$\ell_1$正则优化问题,其目标函数由一般光滑函数项和非光滑$\ell_1$正则项构成,且假设光滑函数的随机梯度可由随机一阶oracle估计.这类优化问题被广泛应用在机器学习,图像、信号处理和统计等领域.根据流形临近梯度法和随机梯度估计技术,提出一种球面随机临近梯度算法.基于非光滑函数的全局隐函数定理,分析了子问题解关于参数的Lipschtiz连续性,进而证明了算法的全局收敛性.在基于随机数据集和实际数据集的球面$\ell_1$正则二次规划问题、有限和SPCA问题和球面$\ell_1$正则逻辑回归问题上数值实验结果显示所提出的算法与流形临近梯度法、黎曼随机临近梯度法相比CPU时间上具有一定的优越性.