学位论文 > 优秀研究生学位论文题录展示
大规模数据集下核方法的技术研究
作 者: 史卫亚
导 师: 薛向阳
学 校: 复旦大学
专 业: 计算机应用技术
关键词: 大规模数据集 核主成分分析 核方法 核矩阵 非线性特征 矩阵分解 迭代算法 数据子集
分类号: TP301
类 型: 博士论文
年 份: 2008年
下 载: 335次
引 用: 3次
阅 读: 论文下载
内容摘要
主成分分析(Principal Component Analysis)是一种用于特征提取和降维的线性方法,它一般使用具有较大方差的维作为主成分而忽略方差小的维,从而将数据映射到低维的子空间中提取线性特征。但是当数据是线性不可分的情况下,该方法不能很好地提取判别特征,通常使用核方法把数据映射到高维特征空间进行主成分的运算,即核主成分分析(Kernel Principal Component Analysis),该过程不需要显式地知道映射函数,而是利用核技巧实现,提取的非线性特征被成功应用于图像处理等任务中。在核主成分计算过程中,需要储存全部数据集生成的核矩阵,该矩阵是通过核函数计算数据之间的内积而得到的,矩阵的大小随着数据集样本数目m变化而变化,空间复杂度为O(m~2),而对核矩阵进行特征分解的时间复杂度为O(m~3)。在大规模数据集的情况下,由于内存容量的限制,在一般计算机上对核矩阵的存储和计算都是困难的,应寻找可行的解决方法。在深入研究模式分析中核方法相关技术的基础上,本文针对大规模数据集问题,探讨了已有解决方法的实质以及相互之间的关系,提出了三种有效的求解核主成分的方法,具体内容包括:●使用incomplete Cholesky分解将核矩阵转化为两个互为转置的三角矩阵,三角矩阵的每一列可以看作为特征空间特殊的“输入样本”,将这些样本输入到主成分分析的迭代算法中,经过若干次迭代后,就可以计算出核主成分。该方法不需要对核矩阵进行特征分解,其空间和时间复杂度分别为O(nm)和O(nm)+O(nkp),其中n,k,m,p分别为核矩阵的秩、需提取的主成分数、样本数以及迭代次数。在大规模数据集的情况下,核矩阵的秩和要提取的主成分数通常远小于样本数,因此空间和时间复杂度都有较大程度的降低。●利用核矩阵的对称性质,基于初始核矩阵创建一个新的Gram-power矩阵,因为新矩阵和原核矩阵具有有相同的特征向量,可以计算Gram-Power矩阵的特征向量来代替核矩阵的特征分解,把核矩阵的每一列看成是迭代主成分分析算法的“输入样本”,经过若干次迭代后,可以很容易的求出核主成分,并且算法的空间复杂度从O(m~2)减少到O(m)。●提出了一个基于矩阵的核主成分分析(Matrix-based Kernel PrincipalComponent Analysis)方法,该方法首先将大规模数据集等分成许多小的数据子集,每个数据子集的自相关矩阵可以看成是核空间的“特殊样本”,用一个基于矩阵的创新核函数来计算数据子集之间的内积。由于子集的数量远小于数据集样本的数目,因此较大程度地降低核矩阵的大小,提出的方法和KPCA的实现过程几乎完全一样,并且自相关矩阵含有每个子集的高阶统计信息,有助于性能的改善。通过在人工合成的数据集以及真实的数据上进行实验,验证了大规模数据集的情况下所提出算法的有效性。
|
全文目录
摘要 5-7 ABSTRACT 7-9 第一章 研究背景和本文工作 9-18 1.1 模式分析中的核方法 9-14 1.2 本文研究背景及意义 14 1.3 主要工作 14-16 1.4 论文结构 16-18 第二章 特征提取的核方法分析 18-29 2.1 再生核希尔伯特空间(REPRODUCTING KERNEL HILBERT SPACE) 18-20 2.2 核主成分分析KPCA(KERNEL PRINCIPAL COMPONENT ANALYSIS) 20-24 2.3 广义判别分析GDA(GENERALIZED DISCRIMINANT ANALYSIs) 24-28 2.4 本章小结 28-29 第三章 大规模数据集情况下的KPCA方法回顾 29-38 3.1 引言 29-30 3.2 核HEBBIAN算法(KERNEL HEBBIAN ALGORITHM,KHA) 30-33 3.3 分块核主成分 33-36 3.4 本章小结 36-38 第四章 基于迭代算法的核主成分分析 38-65 4.1 引言 38-40 4.2 基于INCOMPLETE CHOLESKY分解的核主成分分析 40-53 4.2.1 QR分解和incomplere Cholesky分解 40-43 4.2.2 基于incomplete Cholesky分解的KPCA 43-45 4.2.3 算法的计算复杂性 45-46 4.2.4 计算的特征值的分析 46 4.2.5 实验结果和讨论 46-53 4.2.6 小结 53 4.3 基于GRAM-POWER矩阵的核主成分分析 53-63 4.3.1 构造新的矩阵Gram-Power 53-55 4.3.2 基于Gram-Power矩阵的KPCA 55-56 4.3.3 算法的复杂度分析 56-57 4.3.4 计算的特征值分析 57 4.3.5 实验结果和讨论 57-63 4.3.6 小结 63 4.4 本章总结 63-65 第五章 基于矩阵的核主成分分析 65-78 5.1 引言 65 5.2 数据集的分割和自相关矩阵 65-66 5.3 基于矩阵的多项式一矩阵核函数 66-69 5.4 基于矩阵的KPCA 69-71 5.5 实验结果 71-76 5.5.1 Toy examples:简单问题 72-73 5.5.2 USPS数据: 73-76 5.6 本章总结: 76-78 第六章 总结与展望 78-81 附录一 博士期间发表的论文 81-82 附录二 博士期间参加的科研项目 82-83 参考文献 83-91 致谢 91-92
|
相似论文
- 基于核方法的高光谱图像异常检测算法研究,TP751
- 基于小波变换的信号稀疏表示及其在图像去噪中的应用,TP391.41
- 核自适应滤波算法的研究,TN713
- 联合聚类算法研究及应用,TP311.13
- 调强放疗强度矩阵分解研究,R730.5
- 基于信息型模型的音乐推荐算法,TP391.3
- 面向图像表达的非负局部坐标分解算法,TP391.41
- 基于矩阵分解的MIMO-OFDM半盲信道估计算法设计与实现,TN919.3
- 基于稀疏非负矩阵分解的图像检索,TP391.41
- 径向剪切干涉测试技术研究,TH744.3
- 基于社会上下文约束和物品上下文约束的协同推荐,TP391.3
- 智能视频监控系统中人体异常行为检测与识别研究,TP391.41
- 面向互联网中文舆情信息的情感倾向分析,TP391.1
- 基于非负矩阵分解的高光谱遥感图像混合像元分解研究,TP751.1
- 锥束CT迭代算法中投影排序与子集划分的研究,TP391.41
- 积分方程及其紧算子超收敛数值算法的研究,O175.5
- 基于最小二乘法的非负矩阵分解算法及应用,O151.21
- 扩充的一般混合变分不等式迭代算法的研究,O178
- 滚动轴承摩擦力矩的试验数据分析,TH133.33
- 高光谱遥感图像融合技术与质量评价方法研究,TP751
- 支持向量机的核方法及其多核聚类算法的研究,TP18
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 一般性问题 > 理论、方法
© 2012 www.xueweilunwen.com
|