【摘 要】
：
现有的有向图聚类算法大多基于向量空间中节点间近似线性关系假设，不足以发掘节点间存在的非线性相关性。针对该问题，提出一种基于核非负矩阵分解的有向图聚类算法。首先，引入核方法将有向图的邻接矩阵投影到核空间，并通过特定的正则项约束原空间及核空间中节点间的相似性。其次，提出了图正则化核非对称非负矩阵分解算法的目标函数，在非负约束条件下通过梯度下降方法推导出聚类算法。该算法在考虑连边的方向性的同时利用核方法
论文部分内容阅读
现有的有向图聚类算法大多基于向量空间中节点间近似线性关系假设，不足以发掘节点间存在的非线性相关性。针对该问题，提出一种基于核非负矩阵分解的有向图聚类算法。首先，引入核方法将有向图的邻接矩阵投影到核空间，并通过特定的正则项约束原空间及核空间中节点间的相似性。其次，提出了图正则化核非对称非负矩阵分解算法的目标函数，在非负约束条件下通过梯度下降方法推导出聚类算法。该算法在考虑连边的方向性的同时利用核方法建模节点间的非线性关系，从而准确地揭示有向图中潜在的结构信息。最后，在PCN网络数据集上的实验结果表明，
其他文献
地形是影响土壤侵蚀的重要因子，在侵蚀估算模型中常用坡度和坡长（LS）来衡量，在大区域上常基于数字高程模型（DEM）提取。SRTM作为大区域尺度上质量高、易获取的高程数据，在全球土壤侵蚀评价中得到广泛应用。但现有地形因子提取算法要求高程和栅格单元的单位（通常为米）一致，使得需对SRTM进行坐标变换才能使用。针对大区域上SRTM坐标转换时间开销大的问题，本文提出了一种直接基于SRTM提取地形因子的算法
多核学习（MKL）方法在分类及回归任务中均取得了优于单核学习方法的性能。然而，传统的MKL方法均用于处理两类或多类分类问题。为了使MKL方法适用于处理单类分类（OCC）问题，提出了基于中心核对齐的单类支持向量机。首先利用中心核对齐（CKA）计算每个核矩阵权重，然后将所得权重用作线性组合系数，进而将不同类型的核函数加以线性组合构造组合核函数，最后将组合核函数引入到传统单类支持向量机（OCSVM）中代
传统的基于评分预测的社会化协同过滤推荐算法存在预测值与真实排序不匹配的固有缺陷，而基于排序预测的社会化协同排序推荐算法更符合真实的应用场景；但现有的大多数基于排序预测的社会化协同排序推荐算法要么仅仅关注显式反馈数据，要么仅仅关注隐式反馈数据，没有充分挖掘这些数据的价值。为充分挖掘用户的社交网络和推荐对象的显/隐式评分信息，同时克服基于评分预测的社会化协同过滤推荐算法存在的固有缺陷，在最新的xCLi
为了建立覆膜农田遥感识别技术体系，本研究选取甘肃省定西市安定区团结镇作为黄土高原地膜覆盖旱作农业代表性区域，基于Google Earth Engine云平台和Landsat-8反射率数据，采用特征重要性分析优选纹理特征，利用参数优化后的随机森林算法提取覆膜农田区域并选出最佳特征组合方案，最后通过对比随机森林、支持向量机、决策树和最小距离分类4种算法的分类结果来评价不同分类算法的性能。结果表明：优化
随着物联网（IoT）接入设备越来越多，以及管理维护人权缺乏对IoT设备安全意识，针对IoT环境和设备的（CNN）+长短期记忆（LSTM）网络为模型架构，利用CNN提取数据空间特征，LSTM提取数据时序特征，将交叉熵函数改进为动态权重交叉熵损失函数，制作出一个针对IoT环境的入侵检测系统（IDS）。经实验设计分析，并使用准确率，型与传统的交叉熵损失函数模型相比，在使用数据集的ARP类样本中，使用动态
本文基于1975—2020年间7期遥感数据，分析环巢湖湿地景观格局变化，揭示研究区域的演变特征及其驱动因素。本文采用基于样本的面向对象分类法，辅以高分辨率影像对其错分地类进行目视修正。计算转移矩阵、动态度和景观格局指数分析景观格局特征与动态变化，通过主成分分析讨论演变驱动力。结果表明:1) 1975—2020年，研究区域湿地面积总体上处于缩减状态，由971.77km~2缩减到905.29km~2，
为了解决复杂课堂场景下学生表情识别的遮挡的问题，同时发挥深度学习在智能教学评估应用上的优势，提出了基于深度注意力网络的课堂教学视频中学生表情识别模型与智能教学评估算法。构建了课堂教学视频库、表情库和行为库，利用裁剪和遮挡策略生成多路人脸图像，在此基础上构建了多路深度注意力网络，并通过自注意力机制为多路网络分配不同权重。通过约束损失函数限制各路权重的分配，将人脸图像的全局特征表示为每个支路的特征乘上
作为工业互联网的典型实例之一,车联网技术近年来飞速发展,其核心在于信息的互联互通.因此,精准、可迁移的环境信息感知能力是其稳定运行的前提之一.深度学习的进步推动了计算机视觉任务的发展,但基于传统深度学习的方法仍存在训练过程对人工标注数据依赖强、场景泛化能力较差的弊端.而对于计算机视觉任务来说,训练数据的真值标签获取较难,因此如何提升模型的迁移能力,缓解训练对人工标注的依赖受到了学界的广泛关注.无监
准确掌握土壤有机质（SOM）含量特征及分布状态是土地肥力管理和陆地生态环境保护的关键。选取莱州湾近岸平原为研究区，采集348个土壤样点并获取同期Sentinel-2多光谱影像，利用变量重要度投影算法提取SOM的敏感光谱特征作为自变量，测定的SOM含量值为因变量，进一步将空间聚类模块引入深度神经网络学习法构建聚类深度网络遥感估算模型，最终完成SOM的含量估算与区域尺度上的数字制图。结果表明：（1）在
在机器学习问题中，数据质量对系统预测的准确性产生了深远的影响。由于信息获取的难度大，人类的认知主观且有限，导致了专家无法准确标记所有样本。近年来出现的一些概率抽样方法，无法避免样本人为划分不合理且主观性较强的问题。针对这一问题提出了一种动态概率抽样的标签噪声过滤方法，充分考虑各个数据集样本间的差异性，通过统计各个区间内置信度分布频率，分析区间内置信度分布信息熵的走势，确定合理阈值。本文在UCI经典