正版现货新书 非线数据挖掘 9787118128611 张小乾
全新正版现货，以书名为准，放心购买，购书咨询18931383650朱老师
￥ 63.26 6.4折 ￥ 99 全新
库存2件
北京丰台
认证卖家担保交易快速发货售后保障
作者张小乾
出版社国防工业
ISBN9787118128611
出版时间2023-05
装帧平装
开本其他
定价99元
货号31759433
上书时间2024-11-30
- 在售商品 暂无
- 平均发货时间 9小时
- 好评率 暂无
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
商品简介
《非线性数据挖掘》主要介绍非线性数据挖掘技术，以子空间聚类为主要的数据分析方法，结合稀疏表示、低秩表示、多核学习、协同学习等技术，针对现有模型中存在的一些问题，在适应非线性数据并抑制大尺度噪声的能力、算法的有效实现、模型推广以及应用等方面进行了探讨和研究。
《非线性数据挖掘》主要内容有四个方面：①研究并解决了传统的核子空间聚类方法不能有效挖掘特征空间中数据低秩结构的问题：②有效解决了现有的多视图聚类方法得到的往往是次优解的问题：③解决了多视图数据中各视图数据的独有特征信息不易挖掘的问题；④研究多视图数据中样本置信度的差异性问题。
《非线性数据挖掘》内容系统性强、知识覆盖面广、观点独到，适合广大数据挖掘专业的技术人员、学者及在校学生阅读。
作者简介
张小乾，男，博士，副教授，硕士生导师。2013年毕业于西南科技大学信息工程学院电路与系统专业，一直从事模式识别教学与科研工作；2017年师从南京理工大学孙怀江教授，开展无监督学习的理论及应用研究工作。目前主要致力于研究图像分类及特征提取、无监督学习、医学图像处理等。已出版学术论文30余篇，其中SCI期刊收录论文10余篇，EI收录5篇，模式识别领域顶级期刊（会议）论文近10篇。
目录
1 绪论1.1 研究背景和研究意义1.2 子空间聚类概述1.3 稀疏子空间聚类概述1.3.1 单视图稀疏子空间聚类研究现状1.3.2 多视图稀疏子空间聚类研究现状1.4 稀疏子空间聚类相关理论1.4.1 稀疏表示1.4.2 低秩表示1.4.3 子空间聚类的优化算法1.5 本文的主要工作1.6 论文结构安排2 基于非凸低秩核的鲁棒子空间聚类2.1 引言2.2 相关工作2.2.1 Schatten p-范数2.2.2 相关熵2.3 鲁棒低秩核子空间聚类模型及求解策略2.3.1 鲁棒低秩核子空间聚类模型2.3.2 模型的优化与求解2.3.3 RLKSC 的完整算法2.4 收敛性及计算复杂度分析2.4.1 收敛性分析2.4.2 计算复杂度分析2.5 实验结果与分析2.5.1 实验设置2.5.2 在 YaleB 数据集上的人脸聚类2.5.3 在 AR 数据集上的人脸聚类2.5.4 在 COIL-20 数据集上的物体聚类2.5.5 在 Hopkins155 数据集上的运动分割2.5.6 参数选择及收敛性验证2.6 本章小结3 融合协同表示与低秩核的鲁棒多视图子空间聚类3.1 引言3.2 主要符号及相关工作3.2.1 主要符号3.2.2 非凸低秩核策略3.3 RLKMSC 模型及求解策略3.3.1 Centroid-based RLKMSC 的模型提出及优化3.3.2 Pairwise RLKMSC 的模型及优化3.3.3 RLKSC 的完整算法3.4 收敛性及计算复杂度分析3.4.1 收敛性分析3.4.2 计算复杂度3.5 实验与结果分析3.5.1 数据集简介3.5.2 对比算法及实验设置3.5.3 实验结果与分析3.5.4 参数选择及收敛性验证3.6 本章小结4 基于 WSNM 的异核多视图鲁棒子空间聚类4.1 引言4.2 关键缩写及相关工作4.2.1 关键缩写4.2.2 加权 Schatten p-范数4.2.3 多核策略4.3 MKLR-RMSC 模型及求解策略4.3.1 模型 MKLR-RMSC 的提出4.3.2 模型 MKLR-RMSC 的优化与求解4.3.3 模型 MKLR-RMSC 的完整算法4.4 计算复杂度分析4.5 实验与结果分析4.5.1 数据集简介4.5.2 实验设置4.5.3 聚类结果及讨论4.5.4 参数敏感性4.5.5 收敛性验证4.5.6 计算性能分析4.6 本章小结5 置信度自动加权鲁棒多视图子空间聚类5.1 引言5.2 相关工作5.2.1 块对角正则化5.2.2 截断核范数5.2.3 混合相关熵5.3 CLWRMSC 模型及求解策略5.3.1 模型 CLWRMSC 的提出5.3.2 模型 CLWRMSC 的优化与求解5.3.3 模型 MKLR-RMSC 的完整算法5.4 收敛性及计算复杂度分析5.4.1 收敛性分析5.4.2计算复杂度分析5.5 实验与结果分析5.5.1 数据集简介5.5.2 对比算法及实验设置5.5.3 单视图数据集上的消融实验5.5.4 多视图数据集上的性能评价5.5.5 参数敏感性及模型收敛性验证5.5.6 计算性能分析5.5.7 结果分析与讨论5.6 本章小结6 结束语6.1 本文工作总结6.2 未来工作展望
内容摘要
本文主要研究单视图数据和多视图数据的子空间聚类模型和算法。首先针对单视图数据，研究数据的非线性、非凸低秩表示，以及非高斯噪声的抑制，并提出了相应的子空间聚类算法。然后针对多视图数据子空间聚类的问题，采用低秩核约束的思路，通过协同学习方法来获得各视图的连通表示，进而把单视图子空间聚类推广到多视图数据聚类中。
— 没有更多了 —
以下为对购买帮助不大的评价