您的位置: 专家智库 > >

谈超

作品数:5 被引量:5H指数:1
供职机构:南京师范大学计算机科学与技术学院更多>>
发文基金:国家自然科学基金江苏省高校自然科学研究项目中国博士后科学基金更多>>
相关领域:自动化与计算机技术文化科学更多>>

文献类型

  • 5篇中文期刊文章

领域

  • 4篇自动化与计算...
  • 1篇文化科学

主题

  • 3篇学习算法
  • 3篇流形
  • 3篇流形学习
  • 2篇大数据
  • 1篇学科
  • 1篇优化算法
  • 1篇正则
  • 1篇正则化
  • 1篇特征提取
  • 1篇自适
  • 1篇自适应
  • 1篇维数
  • 1篇维数约减
  • 1篇校准
  • 1篇流形学习算法
  • 1篇局部线性嵌入
  • 1篇计算机
  • 1篇计算机学科
  • 1篇非线性维数约...
  • 1篇高维

机构

  • 5篇南京师范大学
  • 1篇东南大学

作者

  • 5篇谈超
  • 3篇赵斌
  • 2篇吉根林
  • 1篇谈超

传媒

  • 1篇计算机研究与...
  • 1篇数据采集与处...
  • 1篇计算机工程与...
  • 1篇南京师大学报...
  • 1篇软件导刊.教...

年份

  • 1篇2018
  • 2篇2017
  • 2篇2016
5 条 记 录,以下是 1-5
排序方式:
一种基于迭代分解的增量流形学习算法
2016年
流形学习可以用于发现大型高维数据集的内在结构,并给出理解该数据集的潜在方式,已被视为一种有效的非线性降维方法 .近年来,新数据点不断地从数据流中产生,将改变已有数据点及其邻域点的坐标,传统流形学习算法不能有效地用于寻找高维数据流的内在信息.为了解决该问题,本文提出了一种基于迭代分解的增量流形学习算法IMLID(Incremental Manifold Learning Algorithm Based on Iterative Decomposition),可以检测到数据流形中的逐步变化,校准逐渐变化中的流形,可提高在取样于真实世界的特征集上分类效果的精确率,利用真实数据集进行实验验证,结果表明本文提出的算法是有效的,与其他相关算法相比,其性能具有优势,在模式识别、生物信息等领域具有应用价值.
谈超吉根林
关键词:流形学习
计算机学科本科生创新训练项目实践与探索
2016年
计算机专业的大学生创新训练计划是培养和提升本科生创新实践能力的重要平台。针对当前创新训练项目实施过程中存在的问题,从课题选择、人员组织、计划制定、培养方式、学术写作和激励机制等多方面进行探讨,总结创新训练项目实施中的经验和方法。
赵斌谈超吉根林
结合切空间及特征空间校准的增量流形学习正则优化算法
2017年
高维流式大数据的产生与发展对传统机器学习和数据挖掘算法提出了诸多挑战。本文结合流式大数据流式到达的特性,首先建立自适应增量特征提取算法模型。然后,针对噪声环境,建立基于特征空间校准的增量流形学习算法模型,解决小样本问题。最后,构造流形学习的正则化优化框架,解决高维数据流特征提取过程中产生的降维误差问题,并得到最终的最优解。实验结果表明本文提出的算法框架符合流形学习算法的3个评价指标:稳定性、提高性以及学习曲线能迅速增加到一个相对稳定的水平;从而实现了高维数据流的高效学习。
谈超谈超赵斌
基于增量切空间校准的自适应流式大数据学习算法被引量:1
2017年
流形学习是为了寻找高维空间中观测数据的低维嵌入.作为一种有效的非线性维数约减方法,流形学习被广泛应用于数据挖掘、模式识别等机器学习领域.然而,对于样本外点学习、增量学习和在线学习等流形学习方法,面对流式大数据的学习算法时间效率较低.为此提出了一种新的基于增量切空间的自适应流式大数据学习算法(self-adaptive streaming big data learning algorithm based on incremental tangent space alignment,SLITSA),该算法采用增量PCA的思想,增量地构造子空间,能在线或增量地检测数据流中的内在低维流形结构,在迭代过程中构建新的切空间进行调准,保证了算法的收敛性并降低了重构误差.通过人工数据集以及真实数据集上的实验表明:该算法分类精度和时间效率优于其他学习算法,可推广到在线或流式大数据的应用当中.
谈超吉根林赵斌
关键词:流形学习非线性维数约减自适应
改进的多流形LLE学习算法被引量:4
2018年
流形学习已成为机器学习和数据挖掘领域的研究热点。比如,算法LLE(Locally Linear Embedding)作为一种非线性降维算法有很好的泛化性能,被广泛地应用于图像分类和目标识别,但其仅仅假设了数据集处于单流形的情况。MM-LLE(Multiple Manifold Locally Linear Embedding)学习算法作为一种考虑多流形情况的改进算法,依然存在几点不足之处。因此,提出改进的MM-LLE算法,通过任意两类间的局部低维流形组合并构建分类器来提高分类精度;同时改进原算法计算最佳维度的方法。通过与算法ISOMAP、LLE以及MM-LLE比较分类精度,实验结果验证了改进算法的有效性。
曹中义吉根林谈超
共1页<1>
聚类工具0