导读:本文包含了子空间约束论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:稀疏,空间,近邻,光谱,框架,流形,拉普拉斯。
子空间约束论文文献综述
孔繁锵,朱成,徐诚,周永波[1]（2019）在《空间相关性约束联合子空间追踪的高光谱图像稀疏解混》一文中研究指出通过深入分析高光谱图像空间相邻数据之间的空间相关性,提出一种利用空间相关性进行约束的联合子空间追踪解混(Spatial correlation constrained simultaneous subspace pursuit,SCCSSP)方法。该方法首先基于分块思想将高光谱图像进行分块处理,然后在图像块的端元提取步骤中,结合空间相关性特征对端元的提取进行约束,从而确保当前端元支撑集相对于高光谱图像残差是最优的。在丰度估计中将图像块的端元集合合并作为整幅图像的端元支撑集,通过求解非负性约束的最小二乘法获得丰度重建图像。模拟图像数据实验结果表明,本文方法在同等条件下能够获得更高的信号重构误差,且解混运算时间低于凸优化算法。在实际图像数据实验中,本文方法丰度图像稀疏度最低,取得了仅次于SUnSAL-TV算法的图像重建误差,其所得到的丰度重建图像也取得了更好的视觉效果。实验结果验证了本文方法具有更高的解混精度。(本文来源于《南京航空航天大学学报》期刊2019年05期）
杨艺芳,张捷[2]（2019）在《拉普拉斯秩约束的子空间聚类算法》一文中研究指出针对子空间聚类算法中构建块对角相似度矩阵的方法不直接且假设条件很难满足的问题,提出直接以块对角优先的拉普拉斯秩约束子空间聚类算法(BLRC)。通过添加拉普拉斯矩阵秩约束构建块对角的相似度矩阵,利用拉普拉斯正则项确保数据样本的群组效应,采用交替拉格朗日乘子的方法进行求解,得到具有精确块对角结构的相似度矩阵。实验结果表明,BLRC算法聚类具有良好的聚类性能,聚类的精确度明显优于对比算法。(本文来源于《计算机工程与设计》期刊2019年08期）
张敏,周治平[3]（2019）在《引入低秩约束先验的深度子空间聚类》一文中研究指出大多数子空间聚类算法将高维数据映射到低维子空间时不能较好捕获数据间几何结构.针对上述问题,文中提出引入低秩约束先验的深度子空间聚类算法,兼顾数据全局和局部结构信息.算法结合低秩表示与深度自编码器,利用低秩约束捕获数据全局结构,并将约束神经网络的潜在特征表示为低秩.自编码通过最小化重构误差进行非线性低维子空间映射,保留数据的局部特性.以多元逻辑回归函数作为判别模型,预测子空间分割.整个算法在无监督联合学习框架下进行优化.在5个数据集上的实验验证文中方法的有效性.(本文来源于《模式识别与人工智能》期刊2019年07期）
周伟伟[4]（2019）在《基于流形正则化和秩约束的多视图子空间聚类方法》一文中研究指出聚类分析是数据挖掘和机器学习领域中非常重要的技术。在数据挖掘的许多实际应用中,同一事物的数据可以从不同来源收集,或者使用不同的特征提取方法获得,这样的数据称为多视图数据。传统的单视图聚类方法无法有效处理多视图数据,因此多视图聚类成为许多研究者的关注重点。为了挖掘多视图数据的内在结构,寻求多视图数据的公共表示,实现提高多视图数据聚类效果的目的,本文提出两种基于子空间学习的多视图聚类算法。本文的主要工作如下:首先,本文阐述了多视图聚类的意义以及几种常见的多视图聚类的基本框架,介绍了代表性研究成果并分析了现有方法的优点与不足之处。接着,本文总结了图拉普拉斯矩阵在流形学习方面的用途,分析了传统的单视图子空间聚类的工作原理。然后,本文提出基于流形正则化和秩约束的多视图聚类方法(MRMSC)。MRMSC通过结合子空间学习和基于图拉普拉斯矩阵的流形正则化,将传统的单视图子空间聚类方法推广到多视图数据的场景。通过给公共子空间的拉普拉斯矩阵加以秩约束,以期寻找更加良好的聚类结构。进一步,为了弥补线性模型泛化能力的不足,通过使用核技巧,提出核化的基于流形正则化和秩约束的多视图聚类方法(KMRMSC)。针对上述提出的两种方法,本文设计了相应的优化算法进行求解。最后,在合成数据和真实数据集上,与其它方法进行比较,充分证明了本文新模型良好的聚类效果。综上所述,本文的主要工作成果是:1)本文分析了多视图数据的特点,利用子空间学习、流形正则化和秩约束拉普拉斯矩阵的优点,设计了MRMSC模型来对多视图数据聚类,该方法既能保留各个视图的局部结构,又能获得具有良好的聚类结构的公共表示;2)基于核方法对非线性数据良好的泛化能力,本文使用核技巧设计了KMRMSC模型;3)本文针对提出的两种模型设计了求解算法,分析了其复杂度,通过模拟实验和真实实验证明了提出的两种方法的有效性,并详细分析了两种方法参数敏感性和收敛性。(本文来源于《华南理工大学》期刊2019-04-15）
夏玉国,宋迎春,谢雪梅[5]（2019）在《参数带区间约束的子空间截断牛顿平差算法》一文中研究指出基于积极集思想,利用子空间截断牛顿法提出参数带区间约束的平差问题算法。由于新算法可以迅速改变积极约束集的构成,其效率比不等式约束平差算法更高,并且可以对参数估计的精度进行评定。通过测边网算例说明,新算法能有效地降低模型的不适定性,保持参数的统计、几何或物理意义。(本文来源于《大地测量与地球动力学》期刊2019年02期）
韩东,盖杉[6]（2018）在《L1范数约束正交子空间非负矩阵分解》一文中研究指出针对非负矩阵分解(NMF)相对稀疏或局部化描述原数据时导致的稀疏能力和程度比较弱的问题,提出了L1范数约束正交子空间非负矩阵分解方法.通过将L1范数约束引入到正交子空间非负矩阵分解的目标函数中,提升了分解结果的稀疏性.同时给出累乘迭代规则.在UCI、ORL和Yale叁个数据库上进行的实验结果表明,该算法在聚类效果以及稀疏表达方面优于其他算法.(本文来源于《计算机系统应用》期刊2018年09期）
刘玉馨,何光辉[7]（2019）在《k近邻约束的稀疏子空间聚类》一文中研究指出稀疏子空间聚类是近年提出的高维数据聚类框架,针对实际数据并不完全满足线性子空间模型的假设,提出k近邻约束的稀疏子空间聚类算法。该算法结合数据的子空间结构,k近邻及距离信息,在稀疏子空间模型上,添加k近邻约束项。添加的约束项符合距离越小,相似系数越大的直观认识且不改变系数矩阵的稀疏性。在人脸数据集Extended YaleB、ORL、AR,物体图像数据集COIL20及手写数据集USPS上的聚类实验表明提出的算法具有良好的性能。(本文来源于《计算机工程与应用》期刊2019年03期）
崔国盛[8]（2018）在《子空间约束下的非负矩阵分解算法研究》一文中研究指出在数据分析与处理领域中,一个最基本的任务是找到一个好的数据表示。好的数据表示可以有效揭示数据的潜在信息,例如主要成分、隐含概念或者显着特征等,并为后续的进一步数据分析处理提供便利。非负矩阵分解作为一种基本的数据特征提取与降维方法,其目标旨在将原非负数据矩阵分解为两个非负因子矩阵的乘积,在提取数据有效特征的同时实现特征维数的约减。非负矩阵分解由于其可以发掘一种基于部分的数据表示,进而增强了数据从“部分”到“整体”的解释性。由于其巨大的理论研究和实际应用价值,非负矩阵分解已经得到了广泛研究并取得了长足的发展,但是仍然存在以下问题:1)对原数据低秩特征空间的探索不足;2)没有提出能够有效发掘和利用数据隐含子空间结构信息的策略和统一框架;3)在有监督算法中对判别结构信息的约束机制存在不合理。针对以上问题,本论文主要的研究内容总结如下:(1)提出基于低秩恢复的图正则非负矩阵分解,目前大多数工作都致力于直接对高维图像进行非负矩阵分解来获取其有效的低维表示。为了得到数据的有效低秩表示,提出了非负低秩矩阵分解,该方法通过恢复原数据的低秩部分,并对其进行非负矩阵分解从而提取数据的非负低秩表示。由于数据的本质特征存在于低秩部分,而稀疏部分往往对应于数据的高频噪声,因此这种特征提取框架可以获得有效的低维数据表示。为了利用数据的流形结构信息,提出图正则非负低秩矩阵分解,进一步改善了所提取特征的表达能力。(2)提出基于更新图正则的非负矩阵分解,该方法通过构建流形正则最小二乘回归模型来充分挖掘数据的子空间结构信息,并提出基于该模型的更新图来鲁棒并且有效地编码所获得的子空间结构信息。进一步通过约束非负矩阵分解的低维空间保持原空间的子空间结构拓扑关系,从而得到富含子空间结构信息的有效低维特征表达。另外,针对流形正则最小二乘回归的闭式解求解过程存在计算复杂度过高的问题,本论文提出了替代的迭代优化方案来有效求解该问题。(3)提出基于非负子空间聚类的凸非负矩阵分解,该方法通过构建一个可以协同优化子空间聚类和凸非负矩阵分解的统一框架,从另一个角度探索了利用子空间结构信息改善模型所提取特征表达能力的可能。具体利用子空间聚类来有效获取数据的子空间结构信息,该信息经过图正则项在模型协同优化的过程中传递给凸非负矩阵分解,从而使后者可以利用该信息强化所提取特征的表达能力。对子空间表达系数的非负约束便利了算法的求解,而局部子空间约束则使算法对交叉子空间之间存在的噪声干扰更具鲁棒性。针对所提出模型的两种具体实现方案,分别给出了有效的优化求解方法。(4)提出基于判别正交子空间约束的非负矩阵分解,该方法通过将判别约束作用于原数据关于基矩阵的子空间投影,并对基矩阵施加正交约束,从而使模型得到的基矩阵对于样本有更好的判别投影能力,在投影空间获得特征更有区分性。对基矩阵的正交约束同时也改善了所提取特征的稀疏性。对于模型框架的两种具体实现方式,可以用倍乘更新规则进行有效的优化求解。(本文来源于《中国科学院大学(中国科学院西安光学精密机械研究所)》期刊2018-06-01）
陈典兵,朱明,王慧利,杨航[9]（2018）在《基于稀疏正则约束的子空间视觉跟踪》一文中研究指出针对子空间表示跟踪算法处理遮挡问题的能力不足,以及稀疏表示跟踪算法无法满足跟踪实时性要求等问题,本文提出一种稀疏正则约束的子空间视觉跟踪算法。该算法结合了子空间表示与稀疏表示的优势,提升了对于遮挡问题的处理能力,并且降低了算法的计算复杂度。首先,该算法利用PCA子空间基向量集、子空间均值以及表示残差对目标进行表示,同时算法采用L2范数作为表示系数以及表示残差的稀疏约束函数。其次,算法采用了一种分步循环迭代的方法求解表示模型的系数与残差。然后,为了保证子空间基向量与空间均值能够持续准确的描述目标在跟踪过程中出现的变化,算法根据经过开运算处理后的表示残差中非零元素的不同比率构建不同的更新模板,并结合增量主成分分析方法在线学习新的基向量与均值。最后,在实验部分,本文将提出算法在10个实验序列上的跟踪结果与8个现今主流跟踪算法进行对比,同时从定性与定量两个方面对实验结果进行分析。本文算法在全部10个实验序列上的平均中心误差为5.3pixel,平均覆盖率为77%,相比于其他算法,本文算法取得了较高的跟踪精度。本文算法具有更好的鲁棒性,并且满足更多场景下的跟踪需求。(本文来源于《光学精密工程》期刊2018年04期）
刘玉馨[10]（2018）在《k近邻约束的稀疏子空间聚类算法研究》一文中研究指出聚类分析是根据对象的信息和关系将数据对象进行分组或分类,使类内对象相似度高,类间对象相似度低,是数据挖掘、机器学习、模式识别等领域的重要研究内容。随着信息技术的发展,数据收集和存储变得容易,同时也增加了数据的规模以及复杂度,数据的表征维度越来越高。高维特征表示由于数据冗余,几何结构复杂,处理高维数据是聚类分析面临的新挑战。但是对于很多实际问题,高维空间中一个类的数据分布在某个低维子空间中,高维空间中的多类数据分布于若干低维子空间中。根据这一特性,聚类转化为子空间分割问题,从而得到子空间聚类算法。本文在分析比较相关子空间聚类算法的基础之上,引入k近邻约束思想,提出k近邻约束的稀疏子空间聚类算法。稀疏子空间聚类、低秩子空间聚类是近年来提出的高维数据聚类算法,是基于谱聚类的子空间聚类方法。其核心思想是根据稀疏和低秩约束特性得到能够表示高维数据真实子空间结构的模型。根据表示系数构造相似矩阵,再利用谱聚类算法得到数据的聚类结果。本文对稀疏子空间聚类、低秩子空间聚类的模型和算法进行了详细的阐述,并介绍了其扩展算法。针对实际数据可能不满足线性子空间模型的情况,在子空间表示中,容易出现样本被其他子空间数据线性表示的问题,本文提出k近邻约束的稀疏子空间聚类算法,主要目的在于得到更优的子空间表示。该算法思想是结合数据的子空间结构特性,考虑k近邻及距离信息,在稀疏子空间模型上添加k近邻约束项。添加的约束项符合距离越小,相似系数越大的直观认识且不改变系数矩阵的稀疏性。论文通过在人脸数据集Extended Yale B,ORL,AR,物体图像数据集COIL20及手写数字图像数据集USPS上的聚类实验,将本文提出的k近邻约束的稀疏子空间聚类算法与经典的子空间聚类算法进行分析对比。实验表明本文提出的子空间表示模型可以有效减少样本被其他子空间数据线性表示的情况,聚类算法具有良好的性能。(本文来源于《重庆大学》期刊2018-04-01）
子空间约束论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对子空间聚类算法中构建块对角相似度矩阵的方法不直接且假设条件很难满足的问题,提出直接以块对角优先的拉普拉斯秩约束子空间聚类算法(BLRC)。通过添加拉普拉斯矩阵秩约束构建块对角的相似度矩阵,利用拉普拉斯正则项确保数据样本的群组效应,采用交替拉格朗日乘子的方法进行求解,得到具有精确块对角结构的相似度矩阵。实验结果表明,BLRC算法聚类具有良好的聚类性能,聚类的精确度明显优于对比算法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
子空间约束论文参考文献
[1].孔繁锵,朱成,徐诚,周永波.空间相关性约束联合子空间追踪的高光谱图像稀疏解混[J].南京航空航天大学学报.2019
[2].杨艺芳,张捷.拉普拉斯秩约束的子空间聚类算法[J].计算机工程与设计.2019
[3].张敏,周治平.引入低秩约束先验的深度子空间聚类[J].模式识别与人工智能.2019
[4].周伟伟.基于流形正则化和秩约束的多视图子空间聚类方法[D].华南理工大学.2019
[5].夏玉国,宋迎春,谢雪梅.参数带区间约束的子空间截断牛顿平差算法[J].大地测量与地球动力学.2019
[6].韩东,盖杉.L1范数约束正交子空间非负矩阵分解[J].计算机系统应用.2018
[7].刘玉馨,何光辉.k近邻约束的稀疏子空间聚类[J].计算机工程与应用.2019
[8].崔国盛.子空间约束下的非负矩阵分解算法研究[D].中国科学院大学(中国科学院西安光学精密机械研究所).2018
[9].陈典兵,朱明,王慧利,杨航.基于稀疏正则约束的子空间视觉跟踪[J].光学精密工程.2018
[10].刘玉馨.k近邻约束的稀疏子空间聚类算法研究[D].重庆大学.2018
论文知识图
