公共文化服务平台

杜亮: 作品数：10 被引量：25H指数：2; 供职机构：山西大学计算机与信息技术学院更多>>; 发文基金：国家自然科学基金山西省青年科技研究基金山西省自然科学基金更多>>; 相关领域：自动化与计算机技术更多>>

合作作者

基于邻域区间扰动融合的无监督特征选择算法框架被引量：1: 2021年; 特征选择技术是数据降维的一种关键技术,由于采集到的数据样本标签信息缺失,无监督特征选择受到了更多人的关注。现有的无监督特征选择算法普适性及稳定性很低,受数据集结构的影响很大,因此很多研究者一直热衷于提高算法的稳定性。该文尝试从数据集的预处理出发,采用区间的方式来对数据集进行近似,得到与数据集相关联的几个数据集,通过实验验证新的区间数据集的优劣性,并思考从全局的角度对数据集进行处理,进一步提出了一种新的模型——基于邻域区间扰动融合的无监督特征选择算法框架(Unsupervised feature selection algorithm framework based on neighborhood interval disturbance fusion,NIDF)。该模型可实现对特征的最终得分和近似数据区间的联合学习,通过与原始无监督特征选择方法以及现有的几种特征选择框架的对比,体现出该文提出的模型的优越性。; 吕晓林杜亮周芃吴鹏

基于全局融合的多核概念分解算法被引量：2: 2019年; 非负矩阵分解(NMF)算法仅能用于对原始非负数据寻找低秩近似,而概念分解(CF)算法将矩阵分解模型扩展到单个非线性核空间,提升了矩阵分解算法的学习能力和普适性。针对无监督环境下概念分解面临的如何设计或选择合适核函数这一问题,提出基于全局融合的多核概念分解(GMKCF)算法。同时输入多种候选核函数,在概念分解框架下基于全局线性权重融合对它们进行学习,以得出质量高稳定性好的聚类结果,并解决概念分解模型面临核函数选择的问题。采用交替迭代的方法对新模型进行求解,证明了算法的收敛性。将该算法与基于核的K-均值(KKM)、谱聚类(SC)、KCF(Kernel Concept Factorization)、Coreg(Co-regularized multi-view spectral clustering)、RMKKM(Robust Multiple KKM)在多个真实数据库上的实验结果表明,该算法在数据聚类方面优于对比算法。; 李飞杜亮任超宏; 关键词：多核学习矩阵分解

基于自步学习的对称非负矩阵分解算法: 2022年; 提出一种基于自步学习的对称非负矩阵分解算法,通过误差驱动的方式使模型更好地区分正常样本与异常样本,进而提高模型的聚类性能。该方法为所有样本赋予了一个可以衡量其难易程度的权重变量,并采用硬加权与软加权两种策略分别对此变量进行约束以保证模型的合理性。在图像、文本等多个数据集上进行聚类分析,实验结果表明了所提算法的有效性。; 王雷杜亮周芃吴鹏; 关键词：无监督学习聚类

基于图滤波与自表示的无监督特征选择算法: 2024年; 针对现有方法未考虑数据的高阶邻域信息而不能完全捕捉数据内在结构的问题,提出一种基于图滤波与自表示的无监督特征选择算法.首先,将高阶图滤波器应用于数据获得其平滑表示,并设计一个正则化器联合高阶图信息进行自表示矩阵学习以捕捉数据的内在结构;其次,应用l_(2,1)范数重建误差项和特征选择矩阵,以增强模型的鲁棒性与稀疏性选择判别的特征;最后,用一个迭代算法有效地求解所提出的目标函数,并进行仿真实验以验证该算法的有效性.; 梁云辉甘舰文陈艳周芃杜亮

基于对偶流形重排序的无监督特征选择算法被引量：1: 2023年; 在许多数据分析任务中,经常会遇到高维数据。特征选择技术旨在从原始高维数据中找到最具代表性的特征,但由于缺乏类标签信息,相比有监督场景,在无监督学习场景中选择合适的特征困难得多。传统的无监督特征选择方法通常依据某些准则对样本的特征进行评分,在这个过程中样本是被无差别看待的。然而这样做并不能完全捕捉数据的内在结构,不同样本的重要性应该是有差异的,并且样本权重与特征权重之间存在一种对偶关系,它们会互相影响。为此,提出了一种基于对偶流形重排序的无监督特征选择算法(Unsupervised Feature Selection Algorithm based on Dual Manifold Re-Ranking, DMRR),分别构建不同的相似性矩阵来刻画样本与样本、特征与特征、样本与特征的流形结构,并结合样本与特征的初始得分进行流形上的重排序。将DMRR与3种原始无监督特征选择算法以及2种无监督特征选择后处理算法进行比较,实验结果表明样本重要性信息、样本与特征之间的对偶关系有助于实现更优的特征选择。; 梁云辉甘舰文陈艳周芃杜亮; 关键词：对偶流形学习无监督学习

IP网络性能测量研究现状和进展被引量：19: 2017年; 网络性能测量是网络测量领域的核心分支,是指遵照一定的方法和技术,利用软、硬件工具来测试、验证及表征网络性能指标的一系列活动总和,是量化网络性能指标、理解和认识网络行为最基本和最有效的手段,在网络建模、网络安全、网络管理和优化等诸多领域均有广泛应用,是计算机网络领域持续的研究热点之一.介绍了该领域的研究现状与进展,重点讨论了带宽、丢包和时延测量等方面的代表性算法,从算法的基本思想、关键技术、实现机理入手,剖析了突发性背景流的时间不确性和多跳网络路径下的空间不确定性对带宽测量的影响、丢包测量中应用流丢包与探测流丢包的区别与联系、时延测量中时钟偏差与时钟频差的相互作用关系等问题,并在此基础上对网络性能测量面临的挑战、发展趋势和进一步研究的方向进行了讨论.; 胡治国田春岐杜亮关晓蔷曹峰; 关键词：网络性能带宽丢包时延

基于仿射子空间稀疏表示的半监督分类被引量：2: 2015年; 基于图的半监督分类是近年来机器学习与数据挖掘领域的研究热点之一.该类方法一般通过构造图来挖掘数据中所蕴含的本质结构,并进一步利用图的结构信息帮助对无标签样本进行分类.一般来说,基于图的半监督分类方法的效果高度依赖于其构造的图.本文提出了一种基于仿射子空间稀疏表示的图构造方法,该稀疏编码方法在最小化输入信号重构误差时考虑了3个约束条件:(1)输入信号能够被字典矩阵的仿射组合近似表示;(2)线性表示系数的非负性约束;(3)线性表示系数的稀疏性约束.根据这3个约束,我们构造了基于l0-范数的稀疏编码的约束优化问题,提出相应近似求解方法,并进而构造了数据的l0-图.最后,在正则化学习理论框架下,通过引进度量l0-图中结构保持误差的正则项,提出了一种新的半监督学习方法.该方法具有显性的多类分类函数,同时也继承了由数据稀疏编码所得l0-图中蕴含的强判别信息,因此对外样本具有快速和准确的分类能力.一系列人工数据与现实采集的数据集上的实验结果验证了所提半监督分类方法的有效性.; 古楠楠樊明宇王迪贾立好杜亮; 关键词：信号分类

基于稀疏连接的层次化多核K-Means算法: 2023年; 多核学习(Multiple Kernel Learning,MKL)的目标是寻找一个最优的一致性核函数。在层次化多核聚类算法(HMKC)中,通过从高维空间中对样本特征进行逐层提取的方式来实现最大化地保留有效信息,但是却忽略了层与层之间的信息交互。该模型中只有相邻层中对应的结点会进行信息交互,对于其他结点来说是孤立的,而采用全连接的方式又会削弱最终一致性矩阵的多样性。因此,文中提出了一种基于稀疏连接的层次化多核K-Means算法(Sparse Connectivity Hierarchical Multiple Kernel K-Means,SCHMKKM)。该算法通过稀疏率来控制分配矩阵以达到稀疏连接的效果,从而将层与层之间信息蒸馏得到的特征进行局部融合。最后,在多个数据集上进行聚类分析,并在实验中与全连接的层次化多核K-Means算法(FCHMKKM)进行实验对比,证明了具有更多差异性的信息融合有利于学习更好的一致性划分矩阵,并且稀疏连接的融合策略优于全连接的策略。; 王雷杜亮周芃; 关键词：多核学习

基于局部回归融合的多核聚类方法: 2021年; 针对现有多核聚类方法较少考虑多核数据局部流形结构以及在多核融合时学习参数过多进而易受多核噪声异常等干扰的问题,文中首先提出了基于局部核回归的聚类方法(CKLR)。该方法通过局部学习来刻画单核数据的流形结构并采用稀疏化的局部核回归系数来进行预测和聚类。文中进一步提出了基于单核局部核回归融合的多核聚类方法(CMKLR)。该方法为每个核矩阵构造对应的稀疏化的局部核回归系数,并采用全局线性加权融合的方式获得了多核数据下的局部流形结构和同样稀疏化的多核局部回归系数。所提方法较好地避免了现有方法的两个缺陷,且该方法仅包含局部邻域大小这一超参数。实验结果表明,所提方法在测试数据集上的聚类性能优于当前的主流多核聚类方法。; 杜亮任鑫张海莹周芃

基于高阶一致性学习的聚类集成算法: 2023年; 现有的大部分关于聚类集成的研究主要关注有效的集成算法的设计。为解决由于基聚类器的质量高低不一、低质量的基聚类器对聚类集成性能产生影响的问题,从数据发掘的角度出发,以基聚类器为基础挖掘数据的内在联系,提出一种高阶信息融合算法——基于高阶一致性学习的聚类集成(HCLCE)算法,从不同的维度表示数据之间的联系。首先,将每种高阶信息融合成一个新的结构化的一致性矩阵;然后,再对得到的多个一致性矩阵进行融合;最后,将多种信息融合为一个一致性的结果。实验结果表明,与次优的LWEA(Locally Weighted Evidence Accumulation)算法相比,HCLCE算法的聚类准确率平均提升了7.22%,归一化互信息(NMI)平均提升了9.19%。可见,HCLCE能得到比聚类集成算法和单独使用一种信息更好的聚类结果。; 甘舰文陈艳周芃杜亮; 关键词：聚类集成

杜亮

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

杜亮

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈