带有局部坐标约束的半监督概念分解算法

TP181; 概念分解(CF)算法是一种有效的图像表示算法,目前已经广泛应用于维数约简、特征提取、数据挖掘等机器学习领域中.然而,传统CF算法不能利用有效的标签信息,也不能学习数据的稀疏表示.为此,将局部坐标约束和数据有限的标签信息融入到CF模型中,提出了一种带有局部坐标约束的半监督的概念分解(SLCF)算法.SLCF算法利用局部坐标约束学习数据的稀疏性,数据标签约束矩阵能够保证同类标签的数据映射到低维空间中拥有相同的标签,从而提高了不同类间数据的识别能力.利用交替迭代更新方法对SLCF算法的模型进行求解,证明了算法的收敛性.在COIL20、Yale B以及MNIST数据库上的数值实验表明提出...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 15; no. 2; pp. 379 - 388
Main Authors 李会荣, 张林, 赵鹏军, 李超
Format Journal Article
LanguageChinese
Published 商洛学院 数学与计算机应用学院,陕西 商洛 726000 01.02.2021
Subjects
非负矩阵分解(NMF)
半监督学习
概念分解(CF)
局部坐标约束
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.2004012

Cover

More Information
Summary:TP181; 概念分解(CF)算法是一种有效的图像表示算法,目前已经广泛应用于维数约简、特征提取、数据挖掘等机器学习领域中.然而,传统CF算法不能利用有效的标签信息,也不能学习数据的稀疏表示.为此,将局部坐标约束和数据有限的标签信息融入到CF模型中,提出了一种带有局部坐标约束的半监督的概念分解(SLCF)算法.SLCF算法利用局部坐标约束学习数据的稀疏性,数据标签约束矩阵能够保证同类标签的数据映射到低维空间中拥有相同的标签,从而提高了不同类间数据的识别能力.利用交替迭代更新方法对SLCF算法的模型进行求解,证明了算法的收敛性.在COIL20、Yale B以及MNIST数据库上的数值实验表明提出的SLCF算法是有效的,其聚类性能优于其他比较的算法.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.2004012