降維
- 讓核心素養(yǎng)在教學(xué)活動中落地生根
面平行判定定理;降維中圖分類號：G632?? 文獻(xiàn)標(biāo)識碼：A?? 文章編號：1008-0333（2022）27-0041-03近年來，有不少學(xué)者指出，數(shù)學(xué)核心素養(yǎng)的生成機(jī)制，數(shù)學(xué)原理和概念是數(shù)學(xué)核心素養(yǎng)的形成的主載體，數(shù)學(xué)活動是數(shù)學(xué)核心素養(yǎng)形成的主路徑.因此，數(shù)學(xué)核心素養(yǎng)在教學(xué)活動中的落地生根，必須要深入理解當(dāng)堂課程的數(shù)學(xué)原理和概念的內(nèi)涵和構(gòu)成要素有哪些，所體現(xiàn)的核心素養(yǎng)有哪些，隨后才能結(jié)合具體的學(xué)生特點，創(chuàng)設(shè)具體的教學(xué)情景，提出具體的數(shù)學(xué)問題.今年，筆者
數(shù)理化解題研究·綜合版 2022年9期2022-05-30
- 基于物理學(xué)科大概念層級理論的教學(xué)思考
轉(zhuǎn)變，最終培養(yǎng)“降維”分析的物理思維。關(guān)鍵詞：學(xué)科大概念;物理思維;力的合成與分解;降維中圖分類號：G633.7 文獻(xiàn)標(biāo)識碼：A ? ?文章編號：1003-6148（2022）4-0063-4學(xué)科大概念是指反映學(xué)科本質(zhì)及其特殊性的﹑構(gòu)成學(xué)科框架的概念。從知識層級關(guān)系角度，大概念是奧蘇貝爾所說的上位層級，最具抽象性﹑概括性﹑包容性，對于其他知識具有統(tǒng)攝和生發(fā)的功能，是一種“內(nèi)核+圈層”結(jié)構(gòu)（圖1）[1];從認(rèn)知角度，大概念是學(xué)科思維方式的升華﹑學(xué)生認(rèn)識水平的
物理教學(xué)探討 2022年4期2022-05-10
- 多維元數(shù)據(jù)索引文件系統(tǒng)設(shè)計與實現(xiàn)
文件系統(tǒng);R樹;降維;用戶接口中圖分類號：TP316? ? ? ? 文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044（2021）16-0026-04開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：Research and Implementation of Multi-dimensional Meta-data Indexing File SystemSHI Jun-yong， LI Wen-jing（Zhengzhou Institute of Aeronautica
電腦知識與技術(shù) 2021年16期2021-07-25
- 基于局部質(zhì)心均值最小距離鑒別投影的旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)降維分析研究
P）的故障數(shù)據(jù)集降維算法。該算法在考慮樣本的內(nèi)聚性和分離性的同時，能夠保持樣本局部幾何結(jié)構(gòu)信息，反映樣本與局部質(zhì)心均值之間的近鄰關(guān)系。從多個角度提取機(jī)械振動信號的混合特征，構(gòu)建原始高維特征集，通過LCMMDP提取出低維敏感特征子集，利用改進(jìn)的基于局部均值與類均值的k?近質(zhì)心近鄰分類算法（k?nearest Centroid Neighbor Classification Based on Local Mean and Class Mean，KNCNCM）進(jìn)
振動工程學(xué)報 2021年2期2021-06-10
- FAST反射面形狀調(diào)節(jié)策略研究
置坐標(biāo);最后利用降維的技巧，求出基準(zhǔn)球面和工作拋物面上的反射信號接收比。關(guān)鍵詞：變形策略;理想拋物面;旋轉(zhuǎn)模型;接收比;粒子群算法;降維中圖分類號：TP181;P111.44? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A文章編號：2096-4706（2021）16-0086-07Research on Shape Adjustment Strategy of FAST ReflectorMOU Miao1， KONG Yani2， GUO Lei3（1.Sch
現(xiàn)代信息科技 2021年16期2021-02-28
- 基于流形學(xué)習(xí)的光譜數(shù)據(jù)庫降維分析
地物光譜數(shù)據(jù)庫的降維，發(fā)現(xiàn)隱藏在高維空間下的低維結(jié)構(gòu)，用于進(jìn)行相似性度量，為地物進(jìn)一步的本質(zhì)特征光譜提取與分析提供有利的支持，并間接證明了利用流形學(xué)習(xí)的方法進(jìn)行降維后，并未降低地物的識別能力?！娟P(guān)鍵詞】 流形學(xué)習(xí);光譜數(shù)據(jù)庫;Isomap;降維【中圖分類號】 P23;TP751 【文獻(xiàn)標(biāo)識碼】 A【文章編號】 2096-4102（2020）05-0100-03流形學(xué)習(xí)作為一種新的非監(jiān)督學(xué)習(xí)方法，近幾年在模式識別、機(jī)器學(xué)習(xí)領(lǐng)域得到了廣泛的應(yīng)用。本文把流形學(xué)習(xí)
山西能源學(xué)院學(xué)報 2020年5期2020-11-16
- 面向基因表達(dá)數(shù)據(jù)聚類的譜擾動集成降維
因表達(dá)數(shù)據(jù)聚類的降維方法進(jìn)行研究是有重要意義的?，F(xiàn)有降維方法大多直接對基因表達(dá)數(shù)據(jù)進(jìn)行一次降維，再利用降維后的數(shù)據(jù)進(jìn)行聚類，未考慮降維和聚類之間的聯(lián)系，降維后的數(shù)據(jù)未必能很好地適應(yīng)聚類任務(wù)。集成學(xué)習(xí)可提高模型的泛化能力，但較少將集成學(xué)習(xí)思想應(yīng)用于降維模型中。而基于加權(quán)的集成學(xué)習(xí)模型，常見的加權(quán)策略有兩種。一是由人為控制參數(shù)權(quán)重，比如平均加權(quán)[2]；二是將集成的全部數(shù)據(jù)集函數(shù)目標(biāo)值最小化[3]，即目標(biāo)值越小的數(shù)據(jù)集的權(quán)重越大，但是，目標(biāo)值越小的數(shù)據(jù)集，其模型
計算機(jī)工程與設(shè)計 2020年10期2020-11-03
- Helicobacter pylori-induced inflammation masks the underlying presence of low-grade dysplasia on gastric lesions
time.現(xiàn)有降維方法有PCA和Pareto占優(yōu)機(jī)制算法等方法[17].這些方法均通過純數(shù)學(xué)手段降維，降維后的數(shù)據(jù)都失去了原有的物理意義，不便于觀察模型的訓(xùn)練過程.Table 3 Demographic and clinical characteristics of patients with low-grade dysplasia detected on visible gastric lesions or randomly and without l
- 基于自步學(xué)習(xí)的半監(jiān)督特征選擇算法研究
習(xí);半監(jiān)督學(xué)習(xí);降維中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044（2020）15-0210-011引言在計算機(jī)視覺和模式識別等領(lǐng)域中，圖像往往由高維特征向量表示，高維數(shù)據(jù)往往會增加處理數(shù)據(jù)的復(fù)雜度。為了有效地從高維特征向量中選取最具有判別性的低維特征向量，學(xué)者們提出了多種特征選擇算法，其中基于圖拉普拉斯的半監(jiān)督特征選擇算法憑借其良好的性能，得到了廣泛的應(yīng)用。但是，現(xiàn)有的算法大都是直接將所有樣本納入訓(xùn)練過程，忽略了不同樣本的復(fù)雜度。為了
電腦知識與技術(shù) 2020年15期2020-07-04
- 淺談基礎(chǔ)特征工程
方法，然后介紹了降維和特征選擇這兩大特征工程主題中的通用方法。本文從特征工程的視角看待機(jī)器學(xué)習(xí)問題，希望讀者能更全面的了解機(jī)器學(xué)習(xí)的流程。關(guān)鍵詞：常用特征工程;數(shù)據(jù)處理;降維;特征選擇中圖分類號：TU74 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2020）02-0217-020 引言機(jī)器學(xué)習(xí)中有一句經(jīng)典的話叫做“特征工程決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是在逼近這個上限”，可見特征工程地位非常高。然而，特征工程更多是一個實踐中發(fā)展起來的方法論，很少
數(shù)字技術(shù)與應(yīng)用 2020年2期2020-05-11
- 基于Python的高速動車組車載數(shù)據(jù)降維方法實現(xiàn)
動車組車載數(shù)據(jù)的降維過程。基于第三方numpy庫和機(jī)器學(xué)習(xí)sklearn庫，分別通過Python代碼實現(xiàn)了基于主成分分析的降維過程。通過對某高速動車組數(shù)據(jù)的降維分析，兩種實現(xiàn)方式所得到的結(jié)果一致，都能夠?qū)崿F(xiàn)對高速動車組車載數(shù)據(jù)的降維。關(guān)鍵詞： 主成分分析;機(jī)器學(xué)習(xí);降維中圖分類號： TP3 ? ?文獻(xiàn)標(biāo)識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2020.01.024本文著錄格式：孔海朋，劉韶慶. 基于Python的高速動車
軟件 2020年1期2020-03-02
- 一種新的降維算法PCA_LLE在圖像識別中的應(yīng)用
的一個重要途經(jīng)是降維.機(jī)器學(xué)習(xí)領(lǐng)域中所謂的降維就是指采用某種映射方法，將原高維空間中的數(shù)據(jù)點映射到低維度空間中.目前大部分降維算法處理向量表達(dá)的數(shù)據(jù)，也有一些降維算法處理高階張量表達(dá)的數(shù)據(jù).之所以使用降維后的數(shù)據(jù)表示，是因為在原始的高維空間中，包含有冗余信息以及噪音信息，在實際應(yīng)用(例如圖像識別)中造成了誤差，降低了準(zhǔn)確率；而通過降維，我們希望減少冗余信息所造成的誤差，提高識別(或其它應(yīng)用)的精度.通過降維算法可以尋找數(shù)據(jù)內(nèi)部的本質(zhì)結(jié)構(gòu)特征[4,5].降維
中南民族大學(xué)學(xué)報（自然科學(xué)版） 2020年1期2020-02-08
- 降維式自主遷移強(qiáng)化學(xué)習(xí)建筑能耗預(yù)測
法，提出一種基于降維式自主遷移強(qiáng)化學(xué)習(xí)的建筑能耗預(yù)測方法——STRL。該方法通過提取影響建筑物能耗的重要維度進(jìn)行降維，采用歐式度量對滿足遷移條件的原始建筑MDP狀態(tài)進(jìn)行遷移，結(jié)合Sarsa算法構(gòu)建能耗獎賞函數(shù)，實現(xiàn)能耗預(yù)測。將所提出的STRL與VFT-HSA1以及FTRL2方法用于模擬建筑物能耗問題進(jìn)行對比實驗，實驗結(jié)果表明，STRL具有較快的收斂速度以及較好的收斂精度。關(guān)鍵詞：遷移學(xué)習(xí);強(qiáng)化學(xué)習(xí);降維;建筑能耗預(yù)測中圖分類號： TP181? ? ? ?
電腦知識與技術(shù) 2019年25期2019-11-12
- 基于LSTMP語音識別方法的研究與改進(jìn)
高維度的信息進(jìn)行降維，減小細(xì)胞單元的維度，從而減小相關(guān)參數(shù)矩陣的參數(shù)數(shù)目。但LSTMP網(wǎng)絡(luò)結(jié)構(gòu)的缺點在于Projection層的輸出需要完成兩個功能，既需要充當(dāng)歷史信息，又需要作為下一層的輸入。針對以上問題，筆者提出了一種Re-dimension的方法，讓網(wǎng)絡(luò)自己選擇一部分參數(shù)作為歷史信息，并獲得了一定程度的提升。采用該方法后，能提高語音識別率相對4-5%左右。關(guān)鍵詞：長短時記憶LSTM;降維;語音識別Abstract：Currently，LSTMP is
現(xiàn)代信息科技 2019年11期2019-10-21
- 采用深度置信網(wǎng)絡(luò)的恐怖襲擊事件量化分級研究
后根據(jù)特征提取和降維后的數(shù)據(jù)，分出事件對應(yīng)的恐怖襲擊級別。結(jié)果表明，深度學(xué)習(xí)中的深度置信網(wǎng)絡(luò)（DBN）可以用于提取和減少預(yù)處理數(shù)據(jù)，且DBN可自動實現(xiàn)上述功能，無需太多人為干預(yù)。關(guān)鍵詞：數(shù)據(jù)處理;恐怖襲擊;深度置信網(wǎng)絡(luò)（DBN）;特征提取;降維DOI：10. 11907/rjdk. 182618 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：中圖分類號：TP319文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2019）007-0173-04A Quantitat
軟件導(dǎo)刊 2019年7期2019-10-11
- 流形學(xué)習(xí)研究現(xiàn)狀分析
本點集進(jìn)行非線性降維，從中挖掘出樣本點集的有效特征。本文主要對流形學(xué)習(xí)算法的研究現(xiàn)狀進(jìn)行分析，從中指出其存在的潛在問題，以及對未來的研究方向進(jìn)行分析探討。關(guān)鍵詞： 流形學(xué)習(xí);樣本點集;降維;算法中圖分類號：TP181 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-2064（2019）14-0203-030 引言隨著社會的發(fā)展， 目前已經(jīng)進(jìn)入到數(shù)據(jù)時代， 大數(shù)據(jù)這個概念被很多的人所認(rèn)識。數(shù)據(jù)時代我們面臨的數(shù)據(jù)量越來越大， 且數(shù)據(jù)的復(fù)雜度越來越高。這樣存在一個很突出的問
中國科技縱橫 2019年14期2019-09-18
- 基于譜分析的密度峰值快速聚類算法
低維子空間上實現(xiàn)降維處理，將聚類問題轉(zhuǎn)化為圖的最優(yōu)劃分問題以增強(qiáng)算法對數(shù)據(jù)全局結(jié)構(gòu)的適應(yīng)性;然后，利用CFSFDP算法對處理后的數(shù)據(jù)集進(jìn)行聚類。結(jié)合這兩種聚類算法各自的優(yōu)勢，能進(jìn)一步提升聚類算法的性能。在5個人工合成數(shù)據(jù)集（2個線性數(shù)據(jù)集和3個非線性數(shù)據(jù)集）與4個UCI數(shù)據(jù)庫中真實數(shù)據(jù)集上的聚類結(jié)果顯示，相比CFSFDP算法，CFSFDP-SA算法的聚類精度有一定提升，在高維數(shù)據(jù)集的聚類精度上最多提高了14%，對原始數(shù)據(jù)集的適應(yīng)性更強(qiáng)。關(guān)鍵詞：數(shù)據(jù)聚類;適
計算機(jī)應(yīng)用 2019年2期2019-08-01
- 無監(jiān)督特征選擇算法的分析與總結(jié)
對高維無標(biāo)記數(shù)據(jù)降維變得越來越必要。特征選擇是數(shù)據(jù)降維的有效方法，本文給出了幾種具有代表性的無監(jiān)督特征選擇方法，并指出了這些算法的優(yōu)缺點，為進(jìn)一步研究基于無監(jiān)督的特征選擇提供了理論基礎(chǔ)?！娟P(guān)鍵詞】降維 特征選擇 無監(jiān)督1 引言在計算機(jī)視覺、多媒體分析等領(lǐng)域需要處理的數(shù)據(jù)往往具有很高的維數(shù)，對高維數(shù)據(jù)的處理增加了運(yùn)算的時間和空間復(fù)雜度，同時也會導(dǎo)致學(xué)習(xí)模型的過擬合現(xiàn)象。流形學(xué)習(xí)的觀點認(rèn)為由于數(shù)據(jù)內(nèi)部特征的限制，一些高維數(shù)據(jù)會產(chǎn)生維度上的冗余，實際上這些數(shù)據(jù)只
電子技術(shù)與軟件工程 2019年5期2019-06-20
- 混合群智能算法在高光譜圖像波段選擇中的應(yīng)用
光譜;波段選擇;降維中圖分類號：TP751? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ? 文章編號：1009-3044（2019）02-0178-07Application of Hybrid Swarm Intelligence Algorithm in Band Selection of Hyperspectral ImagesLI A-nan，LU Bin，WANG Qiang（North China Electric Power University（Bao
電腦知識與技術(shù) 2019年2期2019-03-15
- 無監(jiān)督混階棧式稀疏自編碼器的圖像分類學(xué)習(xí)
督學(xué)習(xí)對圖像進(jìn)行降維，然而監(jiān)督學(xué)習(xí)與半監(jiān)督學(xué)習(xí)需要圖像攜帶標(biāo)簽信息。針對無標(biāo)簽圖像的降維及分類問題，提出采用混階棧式稀疏自編碼器對圖像進(jìn)行無監(jiān)督降維來實現(xiàn)圖像的分類學(xué)習(xí)。首先，構(gòu)建一個具有三個隱藏層的串行棧式自編碼器網(wǎng)絡(luò)，對棧式自編碼器的每一個隱藏層單獨(dú)訓(xùn)練，將前一個隱藏層的輸出作為后一個隱藏層的輸入，對圖像數(shù)據(jù)進(jìn)行特征提取并實現(xiàn)對數(shù)據(jù)的降維。其次，將訓(xùn)練好的棧式自編碼器的第一個隱藏層和第二個隱藏層的特征進(jìn)行拼接融合，形成一個包含混階特征的矩陣。最后，使用
計算機(jī)應(yīng)用 2019年12期2019-01-06
- 基于多特征降維和遷移學(xué)習(xí)的紅外人體目標(biāo)識別方法
了一種基于多特征降維和遷移學(xué)習(xí)的紅外人體目標(biāo)識別方法。首先，針對傳統(tǒng)的紅外人體目標(biāo)特征提取方法提取某單一特征時存在信息涵蓋不全面的問題，提取目標(biāo)不同種類的異構(gòu)特征，從而充分挖掘出紅外人體目標(biāo)的特點。其次，為了向后續(xù)識別分析提供有效且緊湊的特征描述，采用主成分分析方法對融合后的異構(gòu)特征進(jìn)行降維。最后，針對帶標(biāo)簽的紅外人體目標(biāo)樣本數(shù)據(jù)匱乏、訓(xùn)練樣本和測試樣本之間的分布及語義偏差導(dǎo)致的泛化性能差等問題，提出了一種有效的基于遷移學(xué)習(xí)的紅外人體目標(biāo)分類器，可較大程度
計算機(jī)應(yīng)用 2019年12期2019-01-06
- PCA算法在酒店推薦系統(tǒng)中的應(yīng)用研究
分矩陣采用PCA降維的方法，降低評分矩陣的稀疏性，保留了最能代表用戶興趣的維數(shù)，使得相似性計算更加準(zhǔn)確，保證了最近鄰居選擇的準(zhǔn)確性，從而提高了推薦質(zhì)量。關(guān)鍵詞：機(jī)器學(xué)習(xí);PCA算法;酒店推薦系統(tǒng);降維中圖分類號：TP391.9 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-2064（2019）22-0051-020 引言在信息技術(shù)和互聯(lián)網(wǎng)蓬勃發(fā)展的今天，大量的數(shù)據(jù)使人們從信息貧乏的時代走到了信息過載的時代，面對大量的信息，人們獲取到對自己有用的信息是非常慢[1]。因
中國科技縱橫 2019年22期2019-01-06
- 基于結(jié)構(gòu)特征與LLE算法的數(shù)字儀表校驗系統(tǒng)
; 圖像處理; 降維中圖分類號： TN873+.5?34; TP391 ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2018）24?0010?04A digital meter calibration system based on structural features and LLE algorithmBAO Yushu1，2， HUANG Yalong2， SUN Jun3， HU
現(xiàn)代電子技術(shù) 2018年24期2018-12-14
- 幾種降維技術(shù)在分類問題中的效果評估
影響模型的性能。降維就是用于解決“維度災(zāi)難”的方法之一。文章從PCA、LLE、Isomap三種常見的降維方法入手，首先介紹了它們的實現(xiàn)原理，進(jìn)一步結(jié)合KNN、SVM、RandomForest、Naive Bayes以及Logistics Regression模型構(gòu)建了用于評價三種降維方法的綜合交叉模型。結(jié)果表明，在文章所使用的數(shù)據(jù)集中，經(jīng)過PCA方法與Isomap方法降維后的數(shù)據(jù)在可視的2維空間上分布較為均勻，而LLE方法分布則較為集中。且使用了PCA與I
科技創(chuàng)新與應(yīng)用 2018年21期2018-09-14
- 一種安卓應(yīng)用典型特征片段的提取方法
關(guān)參數(shù)。隨后通過降維、聚類的方法從眾多的特征片段中挑選出典型特征片段來代表整個安卓應(yīng)用執(zhí)行時的負(fù)載特征。關(guān)鍵詞：安卓應(yīng)用；微架構(gòu)無關(guān)特征；降維；聚類；典型特征片段中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）14-0214-03當(dāng)前，對移動智能設(shè)備硬件性能的評估已成為業(yè)界以及用戶所關(guān)注的重點。為了得到有意義、可量化比較的性能評估結(jié)果，首先必須確定量化的標(biāo)準(zhǔn)，即需要選擇合適的測試程序?qū)τ布阅苓M(jìn)行評估。當(dāng)前學(xué)界對傳統(tǒng)桌面應(yīng)用
電腦知識與技術(shù) 2018年14期2018-07-12
- 隨機(jī)森林在阿爾茨海默病患病分析中的應(yīng)用
的數(shù)據(jù)進(jìn)行合理的降維處理。創(chuàng)建基于隨機(jī)森林的分類器，將其應(yīng)用于阿爾茨海默病患病分析，利用降維后有效的特征屬性得到的結(jié)果可以反應(yīng)患病情況和診斷狀況?！娟P(guān)鍵詞】隨機(jī)森林；決策樹；降維；阿爾茨海默病中圖分類號： F273.2 文獻(xiàn)標(biāo)識碼： A 文章編號：2095-2457（2018）06-0088-002【Abstract】Based on the random forest algorithm， we can analyze the prevalence of
科技視界 2018年6期2018-05-11
- 基于整體特征差異度參數(shù)的人臉相似度檢測
兩個圖像向量的差降維，取二范數(shù)來加以區(qū)分并計算正確率，然后淘汰正確率低的差距參數(shù)，從而得到更高的正確率。主要步驟是：以二進(jìn)制方式將圖片以多階灰度圖表示，然后進(jìn)行像素點運(yùn)算，統(tǒng)計有效像素點，運(yùn)用優(yōu)化的算法，得出相似指數(shù)并分析出判定是否為不同時期同一人。提出的方法對一個人在理想狀態(tài)下不同時期的兩張照片的相似度高達(dá)95%以上，即對人臉相似度檢測具有顯著效果。關(guān)鍵詞：差異度參數(shù)；散度；漢明距離；降維；特征提取中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：100
電腦知識與技術(shù) 2018年4期2018-03-19
- 高維數(shù)據(jù)降維技術(shù)及研究進(jìn)展
法。為了準(zhǔn)確把握降維技術(shù)的發(fā)展方向，本文研究了自2010年以來降維技術(shù)相關(guān)的大量國內(nèi)外文獻(xiàn)，結(jié)果表明，近年來越來越多的研究者開始致力于降維技術(shù)的研究并取得了可觀的成果。1 降維技術(shù)降維技術(shù)旨在將高維數(shù)據(jù)映射到更低維的數(shù)據(jù)空間上以尋求數(shù)據(jù)緊湊表示，這種技術(shù)有利于對數(shù)據(jù)做進(jìn)一步處理。例如在基于內(nèi)容的圖像檢索中，將提取的高維圖像特征向量數(shù)據(jù)通過降維處理降低到一定的維度，則可以使用相關(guān)的索引機(jī)制組織數(shù)據(jù)以進(jìn)行更高效的檢索。降維技術(shù)可用如下數(shù)學(xué)方式表達(dá)，設(shè)(1)其中
電子科技 2018年3期2018-03-08
- 企業(yè)安全監(jiān)管數(shù)據(jù)統(tǒng)計分析
鍵詞：安全生產(chǎn)；降維；因子分析； 聚類分析中圖分類號：F27 文獻(xiàn)標(biāo)識碼：Adoi：10.19311/j.cnki.1672-3198.2018.01.028本文選取某市20個街道2017年7月對轄區(qū)企業(yè)安全隱患排查整治情況的8個指標(biāo)數(shù)據(jù)為源數(shù)據(jù)。本文中對20個街道采用從1-20的數(shù)字替代。各指標(biāo)說明如下：X1為本季度任務(wù)完成率，X2為人均巡查企業(yè)數(shù)，X3為人均整治企業(yè)數(shù)，X4人均發(fā)現(xiàn)隱患數(shù)，X5為人均整治隱患數(shù)，X6為重大隱患累計未核銷率，X7為一般隱患
現(xiàn)代商貿(mào)工業(yè) 2018年1期2018-01-15
- 基于變異系數(shù)的SOM算法在多維分析中的應(yīng)用研究
師學(xué)習(xí)方法，具有降維，自組織的，可視化等特性，由于SOM算法計算獲勝神經(jīng)元采用歐式距離的原因，忽略了不同維度對于相似度的貢獻(xiàn)，針對該不足，該文采用變異系數(shù)對維度權(quán)重進(jìn)行研究和改進(jìn)SOM算法。實踐證明：相比沒有維度權(quán)重的SOM算法，采用帶有指標(biāo)權(quán)重的SOM算法具有更好的準(zhǔn)確率和凝聚度。關(guān)鍵詞：降維；自組織映射（SOM）；變異系數(shù)；權(quán)值更新中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2017）32-0122-04Research on
電腦知識與技術(shù) 2017年32期2017-12-15
- 我國第三產(chǎn)業(yè)增加值影響因素的主成分回歸分析
進(jìn)行主成分分析，降維處理后提取主成分，然后利用提取的主成分對第三產(chǎn)業(yè)增加值進(jìn)行多元統(tǒng)計分析，從而研究主要指標(biāo)對第三產(chǎn)業(yè)增加值的影響。選用了近9年的數(shù)據(jù)（2005～2013），包括批發(fā)零售業(yè)商品銷售額等一系列的經(jīng)濟(jì)指標(biāo)。研究發(fā)現(xiàn)，宏觀調(diào)控和消費(fèi)者行為影響著第三產(chǎn)業(yè)的發(fā)展。關(guān)鍵詞 第三產(chǎn)業(yè) 降維 主成分分析 多元回歸分析 宏觀調(diào)控 消費(fèi)者行為一、問題及背景第一，背景。雖然我國的第三產(chǎn)業(yè)起步較晚，但隨著改革開放以來，我國社會主義現(xiàn)代化建設(shè)事業(yè)的蓬勃發(fā)展，我國以服
經(jīng)營者 2017年8期2017-11-14
- 基本醫(yī)療保險患者住院費(fèi)用因子分析模型
子分析模型。通過降維將12個費(fèi)用構(gòu)成指標(biāo)抽象為化驗手術(shù)、藥品診察、麻醉輸血、護(hù)理治療和床位其他等5個因子表示，以較少的維度整合資料，能更好地簡化和解釋問題?！娟P(guān)鍵詞】 基本醫(yī)療保險； 住院； 醫(yī)療費(fèi)用； 因子分析； 降維【Abstract】 For the present situation that the rising trend of basic medical insurance patients' hospitalization costs ha
中國醫(yī)學(xué)創(chuàng)新 2017年25期2017-11-14
- STC目標(biāo)跟蹤算法及改進(jìn)
PCA自適應(yīng)顏色降維特征建立外觀模型，獲得先驗?zāi)Ｐ?；在頻域進(jìn)行在線學(xué)習(xí)，建立上下文模型；計算置信圖，找到響應(yīng)分?jǐn)?shù)最大值，預(yù)測下一幀位置。為驗證算法有效性，在Benchmark庫提供的數(shù)據(jù)集中進(jìn)行算法測試和分析，結(jié)果證明，其在剛性形變、快速運(yùn)動、遮擋、彩色圖像跟蹤中有較好的魯棒性。關(guān)鍵詞：STC；目標(biāo)跟蹤；顏色特征；顏色融合；降維DOIDOI：10.11907/rjdk.171542中圖分類號：TP312文獻(xiàn)標(biāo)識碼：A文章編號：16727800（2017）0
軟件導(dǎo)刊 2017年10期2017-11-02
- 說話人識別中基于深度信念網(wǎng)絡(luò)的超向量降維的研究
了基于深度學(xué)習(xí)的降維方法，利用通過多個受限玻爾茲曼機(jī)堆疊而成的深度信念網(wǎng)絡(luò)對超向量進(jìn)行降維。實驗表明，深度信念網(wǎng)絡(luò)方法在說話人識別中超向量降雛有著更好的效果，其分類的準(zhǔn)確率高于傳統(tǒng)的降維方法。關(guān)鍵詞：超向量；降維；深度學(xué)習(xí)；深度信念網(wǎng)絡(luò)；受限玻爾茲曼機(jī)中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2017）22-0176-03說話人識別技術(shù)，又稱為聲紋識別技術(shù)，它是生物識別技術(shù)的一個分支。因為每個人的聲道形狀，喉嚨大小，以及其他發(fā)聲
電腦知識與技術(shù) 2017年22期2017-10-26
- 多元時間序列小波相關(guān)分析與預(yù)測建模研究
了利用小波相關(guān)的降維方法，保證模型預(yù)測精度的同時分析了變量之間存在的冗余性，對變量進(jìn)行了有效的選擇；其次構(gòu)建只與時滯因子有關(guān)的互相關(guān)系數(shù)矩陣，定量描述了降維后自變量對因變量的時滯相關(guān)關(guān)系，并利用定量時滯因子建立了預(yù)測模型。最后，分別對Housing數(shù)據(jù)和實際的文物監(jiān)測數(shù)據(jù)進(jìn)行了小波相關(guān)分析及預(yù)測建模仿真。實驗結(jié)果表明該方法增強(qiáng)了小波相關(guān)分析理論的適用性，驗證了所提方法的有效性和可行性，進(jìn)一步提高了多元時間序列預(yù)測模型的模型精度。關(guān)鍵詞：多元時間序列；小波相
電腦知識與技術(shù) 2017年18期2017-10-21
- 基于改進(jìn)的LBP和PCA算法的人臉識別
然后再利用PCA降維處理，算法不但降低了特征維度，而且提高了運(yùn)算速度。OKL人臉庫上的實驗結(jié)果表明，改進(jìn)的LBP算法與原始的LBP算法相比，在識別率上有所提高。關(guān)鍵詞：局部二值模式；特征提取；主成分分析；降維；識別率中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2017）17-0173-021概述人臉識別，是對人的臉部特征信息進(jìn)行身份識別的一種生物識別技術(shù)，它的應(yīng)用前景十分廣泛。如視頻監(jiān)控、公安、司法和刑偵等安全領(lǐng)域。人臉識別的關(guān)鍵
電腦知識與技術(shù) 2017年17期2017-07-14
- 基于降維與粒子群優(yōu)化的水下傳感網(wǎng)定位算法
，提出了一種基于降維與粒子群優(yōu)化的節(jié)點定位算法。算法首先結(jié)合水下傳感網(wǎng)的特性，將水下三維定位轉(zhuǎn)換為二維定位， 然后引入粒子群優(yōu)化方法，根據(jù)全局最優(yōu)值限定粒子的方向，粒子不斷優(yōu)化，最后確定節(jié)點的位置。實驗結(jié)果表明，與其他定位算法相比，提出的算法提高了定位精度，降低了節(jié)點的能量和計算量消耗。關(guān)鍵詞：水下無線傳感器網(wǎng)絡(luò)；定位；降維；粒子群優(yōu)化DOI：10.16640/j.cnki.37-1222/t.2017.09.1271 引言目前，水下無線傳感器網(wǎng)絡(luò)已被廣泛
山東工業(yè)技術(shù) 2017年9期2017-05-16
- 從一道考研題談空間曲線積分的計算
第二類曲線積分；降維法，即將沿空間曲線的積分化為沿平面曲線的積分。關(guān)鍵詞：第二類曲線積分 參數(shù)化 Stocks公式 降維中圖分類號：O172 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2016）09（a）-0181-02第二類曲線積分的計算是高等數(shù)學(xué)的一個難點，有許多文獻(xiàn)對其計算方法進(jìn)行了研究，但基本限于平面情形。該文從一道全國碩士研究生招生考試數(shù)學(xué)（一）試題出發(fā)，探討空間第二類曲線積分的計算。參考文獻(xiàn)[1] 同濟(jì)大學(xué)應(yīng)用數(shù)學(xué)系.高等數(shù)學(xué)[M].北京：
科技創(chuàng)新導(dǎo)報 2016年25期2017-03-13
- 基于MATLAB的靶紙圖像識別研究
將Hough變換降維來求內(nèi)圓環(huán)參數(shù)，再結(jié)合圖像差影法以及形態(tài)學(xué)處理對彈孔識別定位。實驗發(fā)現(xiàn)，上述圖像處理算法有較快的速度和較好的準(zhǔn)確度。關(guān)鍵詞： MATLAB； 預(yù)處理； Hough變換； 降維； 形態(tài)學(xué)中圖分類號：TP391.41 文獻(xiàn)標(biāo)志碼：A 文章編號：1006-8228（2016）11-17-04Research on the image recognition of target sheet with MATLABWang Weiyang， Di
計算機(jī)時代 2016年11期2016-12-19
- 導(dǎo)數(shù)在幾何中的“降維”作用
溫金榮美國數(shù)學(xué)家波利亞（Polya）曾指出：如果一位數(shù)學(xué)老師用和學(xué)生的知識相稱的題目來激起他們的好奇心，并用一些激勵性的問題去幫助他們解答題目，那么他就能培養(yǎng)學(xué)生對獨(dú)立思考的興趣。由此可見，激發(fā)學(xué)生興趣，領(lǐng)會和理解數(shù)學(xué)思想方法，是培養(yǎng)學(xué)生數(shù)學(xué)意識的有效途徑。人教版B教材選修2-2的P10上的“探究與研究”中教材編者給出的一個關(guān)于圓的面積和周長的問題，做了一些探討：研究圓面積與圓周長的關(guān)系圓面積S是半徑r的函數(shù) ；圓周長C也是圓半徑r的函數(shù) 。利用導(dǎo)數(shù)的定義
博覽群書·教育 2016年9期2016-12-12
- 基于Matlab仿真的數(shù)據(jù)降維實驗設(shè)計
lab仿真的數(shù)據(jù)降維實驗設(shè)計張文盛1, 劉忠寶2(1. 山西大學(xué)商務(wù)學(xué)院 信息中心, 山西 太原030031；2. 中北大學(xué) 計算機(jī)與控制工程學(xué)院, 山西 太原030051)在Matlab的基礎(chǔ)上,以3種經(jīng)典的數(shù)據(jù)降維方法——主成分分析(PCA)、線性判別分析(LDA)和保局投影算法(LPP)為例,給出3種降維方法的最優(yōu)化比較結(jié)果,對數(shù)據(jù)降維實驗方法進(jìn)行了探討和設(shè)計。通過UCI標(biāo)準(zhǔn)數(shù)據(jù)集和ORL、Yale人臉數(shù)據(jù)集的比較實驗表明:3種降維方法均能較好地完成
實驗技術(shù)與管理 2016年9期2016-11-16
- 玉米葉片病害彩色圖像識別的降維和聚類方法
像和彩色圖像進(jìn)行降維，以得到高維空間中的低維特征，然后采用K-means算法進(jìn)行聚類分析。結(jié)果表明：LLE算法作為玉米病害灰度圖像識別的特征提取算法，識別率為76.5%；對玉米病害彩色圖像進(jìn)行識別，識別率達(dá)到99.5%以上。研究最終提出1種在RGB彩色空間用流形學(xué)習(xí)算法進(jìn)行玉米葉片病害彩色圖像識別的方法。關(guān)鍵詞：降維；聚類；玉米葉片病害；識別中圖分類號： TP391.41 文獻(xiàn)標(biāo)志碼： A 文章編號：1002-1302（2016）07-0350-04農(nóng)作物
江蘇農(nóng)業(yè)科學(xué) 2016年7期2016-10-20
- 基于ISOMAP降維的復(fù)雜輪廓異常點識別方法
基于ISOMAP降維的復(fù)雜輪廓異常點識別方法聶斌李京亞姚雪海天津大學(xué)，天津，300072摘要：高維復(fù)雜輪廓異常點識別方法研究是目前過程輪廓監(jiān)控的重要課題之一。以高維復(fù)雜輪廓為研究對象，建立非參數(shù)輪廓矩陣模型，將基于測地距離的ISOMAP非線性降維技術(shù)與χ2控制圖相結(jié)合，提出新的輪廓異常點識別方法，以實現(xiàn)高維復(fù)雜輪廓異常點的準(zhǔn)確識別。仿真實驗和實際案例的應(yīng)用分析結(jié)果證實該方法在異常點識別的準(zhǔn)確性方面具有良好的性能。關(guān)鍵詞：異常點識別；等距特征映射(ISOMA
中國機(jī)械工程 2016年12期2016-07-21
- 幾種降維算法的研究及應(yīng)用
人們研究的重點。降維作為高維數(shù)據(jù)壓縮中，及高效提取所含信息的一種有效途徑，近年來正引起可視化等領(lǐng)域研究者的高度重視。不同降維技術(shù)由于其數(shù)學(xué)理論依據(jù)和適用范圍不同，可視化結(jié)果有差異。本論文首先分析了不同降維算法，即主成分分析、非線性映射、自組織特征映射、支持向量機(jī)。作者以2013年京津冀區(qū)市尺度為研究單元，運(yùn)用上述算法對京津冀區(qū)市經(jīng)濟(jì)統(tǒng)計數(shù)據(jù)進(jìn)行聚類分析，同時基于京津冀經(jīng)濟(jì)發(fā)展的實際狀況，對成果的差異性展開了深入討論。【關(guān)鍵詞】降維；數(shù)據(jù)挖掘；經(jīng)濟(jì)發(fā)展0 引
科技視界 2016年16期2016-06-29
- 獨(dú)立成分分析在電磁攻擊中的應(yīng)用
方法對數(shù)據(jù)進(jìn)行了降維處理. 通過支持向量機(jī)(Support Vector Machine, SVM)對降維后的數(shù)據(jù)進(jìn)行分類對比,最終得出:在10～100維范圍內(nèi),PCA-ICA的分類效果最佳,ICA其次,而ICA-PCA的效果最差;在100～900維的范圍內(nèi),PCA與ICA-PCA分類效果隨著維度的增加幾乎呈直線趨勢增加.關(guān)鍵詞電磁泄漏;獨(dú)立成分分析;降維;支持向量機(jī);主成分分析引言在電磁分析攻擊中,采集設(shè)備及采集環(huán)境等對攻擊的影響、針對加入掩碼后的攻擊和
電波科學(xué)學(xué)報 2016年2期2016-06-22
- 局部線性嵌入算法及其穩(wěn)定性實現(xiàn)
LLE算法的實際降維效果進(jìn)行驗證分析，并在非均勻采樣條件下，驗證并討論 LLE算法對鄰域點數(shù)和采樣點數(shù)的穩(wěn)定性。1 LLE算法給 定 一 個 數(shù) 據(jù) 點 集 XN×M， 這 里表示一個N×M的矩陣，其中 XN×M的每一行表示某個數(shù)據(jù)點的各個坐標(biāo)。假定這些數(shù)據(jù)點是采樣自一個潛在的流形。如果這些數(shù)據(jù)是充足的（即對流形是一個充分的采樣），即使不知道這個潛在的流形是什么樣，但可以認(rèn)為，對于每一個數(shù)據(jù)點，它與其鄰點所形成的局部區(qū)域（通常稱為一個 patch）是線性的
自動化與信息工程 2014年2期2014-07-05