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.     

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.     

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.     

基于谱多流形学习的聚类方法研究

流形学习是一种有效的数据处理工具.聚类问题种类繁多,目前没有一种可以同时解决多种聚类问题的方法.提出的谱多流形聚类方法可以弥补这一缺陷.方法从相似性矩阵的角度出发,充分利用流形采样点所内含的自然的局部几何结构信息来辅助构造合适的相似性矩阵并进而发现正确的流形聚类.最后通过大量算例说明方法可行.     

双向聚类方法综述

传统的聚类方法由于无法提取样本和变量间的局部对应关系,并且当数据具有高维性和稀疏性时表现不佳,因此学者们提出了双向聚类,基于样本和变量间的局部关系,同时对样本和变量进行聚类,形成一系列子矩阵的聚类结果。近年来,双向聚类发展迅速,在基因分析、文本聚类、推荐系统等领域应用广泛。首先,对双向聚类方法进行梳理与归纳,重点阐述稀疏双向聚类、谱双向聚类和信息双向聚类三类方法,分析它们之间的区别和联系,并且介绍这三类方法在多源数据的整合分析、多层聚类、半监督学习以及集成学习上的发展现状和趋势;其次,重点介绍双向聚类在基因分析、文本聚类、推荐系统等领域的应用研究情况;最后,结合大数据时代的数据特征和双向聚类存在的问题,展望双向聚类未来的研究方向。     

投影寻踪动态聚类模型在房地产投资环境评价中的应用

将投影寻踪动态聚类模型引入到房地产投资环境评价方法中.针对房地产投资环境评价所面临的多因素高维复杂性问题,该模型能够完全根据样本数据特性将高维数据通过投影向量投影到低维数据,同时实现对低维数据的排序和自动聚类分析,进而通过研究低维数据以实现对高维数据的研究.最后通过辽宁省工业地产投资环境评价实例验证了该模型在房地产投资环境评价中的适用性.     

基于流形正则化与成对约束的深度半监督谱聚类算法

现有的子空间聚类方法以数据全局线性分布为前提,利用先验约束估计未标记数据点的低维子空间,并将其聚类到相应组中,对非线性结构的数据处理存在一定缺陷.受启发于深度学习以其强大的非线性学习表征能力在众多应用中取得巨大成功,文章在数据表示中加入成对约束,并运用流形正则化理论,采用k近邻构造全局相似度矩阵,通过与自编码器的联合学习,提出基于流形正则化与成对约束的深度半监督谱聚类算法(MPAE).该算法一方面在学习数据的低维表示时同时保留数据的可重构性和局部流形结构的全局特征,另一方面将已知样本间的成对约束信息融入目标优化设计,使学习到的低维特征更具有判别性,这在很大程度上提高了所得算法的聚类性能.实验结果表明文章算法能够取得理想的聚类结果.     

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.     

非线性发展方程的H(o)lder连续惯性流形

引入非线性发展方程的H\"older连续惯性流形的概念,为原来惯性流形概念的推广和修正.惯性流形是有限维不变的Lipschiz流形,是研究发展方程解的长时间性态的合适工具,其缺点是需要谱间隙条件.提出H\"older连续惯性流形也是有限维不变的,但光滑性减弱为H\"older连续,不需要谱间隙条件.该流形与指数吸引子交集具有指数吸引性,无穷维动力系统可在H\"older连续惯性流形上约化为有限维常微分方程组.     

Stein fillability and the realization of contact manifolds

There is an intrinsic notion of what it means for a contact manifold to be the smooth boundary of a Stein manifold. The same concept has another more extrinsic formulation, which is often used as a convenient working hypothesis. We give a simple proof that the two are equivalent. Moreover it is shown that, even though a border always exists, its germ is not unique; nevertheless the germ of the Dolbeault cohomology of any border is unique. We also point out that any Stein fillable compact contact -manifold has a geometric realization in via an embedding, or in via an immersion.

     

A Note on P—Sasakian Manifold

s51.IntroductionLetMbeadifferentiablemanifo1dofdimensionn,ifMadmitsa(l,l)-tensorfieldgl,aPoSitivedefiniteRiemannianmetricg,avectorfieldeandal-formVwhichsatisfythefollow-ingconditions.thensuchamanifoldMiscalledaPara-SasakianmanifoldorbrieflyaP-Sasakianmanifoldby7'.AdatiandK.Matsumoto[ljwhichareconsideredasspecialcaseofanalmostparacontactmanifoldintroducedbyI.Sato[2].WhereVdenotestheoperatorofcovariantdifferentiationwithrespecttothemetrictensorg'X(M)denotesthesetofdifferentiablevectorfiel…     

On Flat Complete Causal Lorentzian Manifolds

We describe up to finite coverings causal flat affine complete Lorentzian manifolds such that the past and the future of any point are closed near this point. We say that these manifolds are strictly causal. In particular, we prove that their fundamental groups are virtually abelian. In dimension 4, there is only one, up to a scaling factor, strictly causal manifold which is not globally hyperbolic. For a generic point of this manifold, either the past or the future is not closed and contains a lightlike straight line     

ON PSEUDOSYMMETRY TYPE HYPERSURFACES OF SEMI-EUCLIDEAN SPACES I

In this paper the authors investigate hypersurfaces M of a semi-Euclidean space Esn+1, n > 4, satisfying (aC + BR) ?H = LkQ(g, Hk), k = 1,2, 3. Using obtained results they show additional curvature properties of investigated hypersurfaces.     

Some remarks about 1-convex manifolds on which all holomorphic line bundles are trivial

We give an abridged proof of an example already considered in [M. Col?oiu, On 1-convex manifolds with 1-dimensional exceptional set, Rev. Roumaine Math. Pures et Appl. 43 (1998) 97-104] of a 1-convex manifold X of dimension 3 such that all holomorphic line bundles on X are trivial. We also point out several mistakes of [Vo Van Tan, On the quasiprojectivity of compactifiable strongly pseudoconvex manifolds, Bull. Sci. Math. 129 (2005) 501-522] concerning this topic.     

Contactly geodesic transformations of almost-contact metric structures

We introduce the notion of contactly geodesic transformation of the metric of an almost-contact metric structure as a contact analog of holomorphically geodesic transformations of the metric of an almost-Hermitian structure. A series of invariants of such transformations is obtained. We prove that such transformations preserve the normality property of an almost-contact metric structure. We prove that cosymplectic and Sasakian manifolds, as well as Kenmotsu manifolds, do not admit nontrivial contactly geodesic transformations of the metric, which is a contact analog of the well-known result for Kählerian manifolds due to Westlake and Yano.     

ON PSEUDOSYMMETRY TYPE HYPERSURFACES OF SEMI-EUCLIDEAN SPACES Ⅰ

In this paper the authors investigate hypersurfaces M of a semi-Euclidean space Esn+1, n ≥ 4, satisfying (aC +βR). H ＝ LkQ(g, Hk), k ＝ 1,2,3. Using obtained results they show additional curvature properties of investigated hypersurfaces.