8940
社区成员
高维数据降维方法研究下载
本文介绍了MDS、Isomap等三种主要的高维数据降维方法,同时对这些降维方法的作用进行了探讨。
相关下载链接：//download.csdn.net/download/qq_28339273/10482779?utm_source=bbsseo
相关下载链接：//download.csdn.net/download/qq_28339273/10482779?utm_source=bbsseo
...全文
当前发帖距今超过3年，不再开放新的回复
发表回复
高维数据降维技术及研究进展 降维技术旨在将高维数据映射到更低维的数据空间上以寻求数据紧凑表示,该技术有利于对数据做进一步处理。随着多媒体技术和计算机技术的高速发展,数据维度呈爆炸性增长,使得机器学习、图像处理等研究领域的数据分析变...
聚类分析中的高维数据降维方法研究 阐述了用降维算法和构建索引结构来解决高维数据降维问题。以数据对象变异最大方向的投影作为特定数据对象集的主成份,将聚类分析引入高校数据资源的预处理环节,实现了数据对象集合的聚类归约。给出应用实例,为深入...
论文研究- 一种基于MDS的高维数据降维与可视化方法 .pdf 一种基于MDS的高维数据降维与可视化方法 ，任珂，马志强，降维与可视化是分析高维数据的有效手段。传统数据降维技术计算效率低，准确性较差，无法帮助分析者更深入理解和认识数据。因此，
高维数据几何结构与降维（国内唯一一本讲如何比较详尽的阐述高维数据如何降维的） 这是一本关于高维数据如何进行有效降维的数据，书中比较系统的阐述了一些可行性的方法，最关键的是提供了一些关于高维数据降维的一些思想。在大数据时代来临，面临的数据维度已经越来越高，通过数据本身的量化数值...
机器学习中高维数据降维技术的总结与研究 本文有比较多的转载其他研究人员的博客https://blog.csdn.net/u014772862/article/details/52335970作为一名机器学习的科研人员，之前在推荐系统的开发和工作中...降维方法一般分为线性降维方法和非线性降维方法，如...
基于降维BP神经网络的高维数据分类研究 为确保高维数据的神经网络分类精度,提出了先降维后分类的方法。采用主成分分析(PCA)法实现高维数据的降维。通过分析传统BP算法,提出分两步来更新网络权值的扰动BP学习方法。采用MATLAB对降维分类算法的分类精度和...
高维数据降维算法综述_景明利.pdf 分类介绍了目前具有代表性的数据降维方法，重点阐述了一种新的数据降维方法 － 压缩感 知，在此基础上，分析了各种数据降维算法的优缺点，并对数据降维研究中存在的问题进行了剖析．
高维数据特征降维研究综述_胡洁.pdf 综述国际上关于特征降维的研究成果 ,总结并提出了较完备的特征降维模型定义 ; 通过列举解决特 征降维上重要问题的各种方案来比较各种算法的特点以及优劣 ,并讨论了该方向上尚未解决的问题和发展 趋势。
高维数据的降维理论及应用 高维数据，如航天遥感数据、生物数据、网络数据以及金融市场交易数据等， 其处理面临两个问题:一是维数灾难(curses of ...本文提出并研究了高维数据集结构的问题，并对其在降维过 程中的应用进行了广泛而深入的探讨。
高维纵向数据分析中的降维方法研究 伴随着计算机技术的不断更新与发展,现实生活中收集到的数据种类已经越来越多,数据结构已经越来越复杂。其中,对于高维纵向数据的分析已经成为统计界的一个研究...本文研究了高维纵向数据的研究方法及其常见处理模型。
高维数据分类方法研究 提出了一种结合高斯过程潜变量模型(GPLVM)和支持向量机(SVM)的阶梯跳跃降维分类框架方法,能有效的降低样本数据维数,同时提高分类器性能。利用GPLVM实现数据的平滑映射,对输入样本进行非线性降维后,根据SVM的分类校验...
L-PCA算法下的高维图像降维算法研究 提出了一种改进型的PCA降维算法L-PCA,该算法在保证原有样本协方差结构不变的前提下,获取变换矩阵中最重要的主分量进行赋权,通过调节类内与类间离散矩阵,使得类内距离最小化、类间聚类最大化,来搜索一个合适的映射子...
论文研究-高维数据特征降维研究综述.pdf 综述国际上关于特征降维的研究成果，总结并提出了较完备的特征降维模型定义；通过列举解决特征降维上重要问题的各种方案来比较各种算法的特点以及优劣，并讨论了该方向上尚未解决的问题和发展趋势。
高维数据上的自适应谱聚类降维方法研究 (2010年) 本文从数据挖掘的角度, 研究高维数据的有效聚类分析技术, 针对高维科学数据提出一种基于子空间的自适应谱聚类方法, 该方法通过采用谱分析技术将高维数据投影到低维空间, 仿真结果表明, 得到了很好的检测效果.
流形学习-高维数据的降维与可视化 1.流形学习的概念流形学习...假设数据是均匀采样于一个高维欧氏空间中的低维流形，流形学习就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化。
