李永钢
- 作品数：8 被引量：13H指数：2
- 供职机构：广西师范大学更多>>
- 发文基金：国家自然科学基金广西壮族自治区自然科学基金国家重点基础研究发展计划更多>>
- 相关领域：自动化与计算机技术更多>>
- 一种基于SimRank得分的谱聚类算法被引量：3
- 2018年
- 传统的谱聚类算法在建立相似度矩阵时仅考虑数据点与点的距离,忽略了数据点之间隐含的内在联系。针对这一问题,提出了一种基于SimRank的谱聚类算法。该算法首先用无向图数据建立邻接矩阵,并计算出基于SimRank的相似度矩阵;然后根据相似度矩阵建立拉普拉斯矩阵表达式,对其进行归一化后再进行谱分解;最后对分解得到的特征向量进行k-means聚类。在Zoo等UCI标准数据集上的实验结果表明,所提算法在聚类精确度、标准互信息和纯度3个评价指标上均优于现有的LRR(Low Rank Rrepresentation)等基于距离相似度的谱聚类算法。
- 李鹏清李扬定邓雪莲李永钢方月
- 关键词：谱聚类相似度矩阵拉普拉斯矩阵K-均值聚类
- 基于PCA的哈希图像检索算法被引量：6
- 2018年
- 为了解决传统图像检索算法低效和耗时的缺点,提出一种基于PCA哈希的图像检索算法。通过结合PCA与流形学习将原始高维数据降维;然后通过最小方差旋转得到哈希函数和二值化阈值,进而将原始数据矩阵转换为哈希编码矩阵;最后通过计算样本间汉明距离得到样本相似性。在三个公开数据集上的实验结果表明,提出的哈希算法在多个评价指标下均优于现有算法。
- 苏毅娟余浩雷聪郑威李永钢
- 关键词：哈希图像检索主成分分析流形学习
- 基于超图稀疏的低秩属性选择算法用于多回归分析
- 2018年
- 针对已有的多回归算法未能更好地考虑不同列类别之间的关联性,提出了一种基于超图稀疏的属性选择方法。利用稀疏理论中的l_(2,p)-范数来改进线性回归模型,结合低秩结构和超图表示来分别考虑同一类别间的局部结构和不同类别间的全局结构,通过子空间学习中的线性判别分析(LDA)来进一步调整重构系数矩阵的结果。经实验验证,提出的算法在六个公开数据集上相比四种对比算法,在多回归分析中均能取得更好的结果。
- 罗?苏毅娟雷聪胡荣耀杨利锋李永钢
- 关键词：子空间学习
- 基于自表征和群组效应的子空间聚类算法
- 2017年
- 为解决目前聚类算法对噪声敏感和缺乏考虑样本间相关性等问题,提出一种充分考虑样本间相关性,使构造的关联矩阵保持子空间结构的子空间聚类算法。利用2,1-norm对每个样本进行自表征;群组效应确保相近样本的自表征系数亦相近,生成块对角化的样本自表征系数矩阵;根据自表征矩阵得到关联矩阵,在谱聚类模型下实现数据聚类。在Hopkins155等数据集上的实验结果表明,在聚类错误率评判标准下,该算法优于现有经典子空间聚类算法SRC、SSC等。
- 苏毅娟李永钢杨利锋孙可罗?
- 关键词：子空间聚类谱聚类关联矩阵
- 基于超图表示的低秩属性选择方法用于回归分析
- 2018年
- 针对现有的回归模型未考虑特征之间的深层结构,而导致在回归问题上输出不稳定的模型,提出了一种新的属性选择方法。通过稀疏学习理论中的2,1-范数和2,p-范数在线性回归模型分别进行样本降噪和属性选择,利用超图结构和低秩约束来分别考虑数据间的局部结构和不同数据间的全局结构,最后结合子空间学习方法来对模型进行微调。经实验证明,在回归分析中该算法较对比算法能取得更好的效果。
- 钟智方月胡荣耀李永钢雷聪
- 关键词：子空间学习
- 改进的子空间聚类算法研究及实现
- 机器学习、数据挖掘和图像识别的很多应用中，子空间学习方法由于可以将高维数据在低维子空间进行表示，从而避免了高维数据的维度灾难问题，得到了广泛应用。作为子空间学习在聚类分析方向的一个重要分支，子空间聚类对特征选择进行了拓展...
- 李永钢
- 关键词：子空间聚类算法谱聚类算法数据处理
- 文献传递
- 基于超图和样本自表征的谱聚类算法被引量：2
- 2017年
- 针对传统谱聚类算法仅考虑数据点对点间的相互关系而未考虑数据间可能隐藏的复杂的相关性的问题,提出一种基于超图和自表征的谱聚类方法。首先,建立数据的超图,得到超图的拉普拉斯矩阵表示;然后利用l_(2,1)-范数对样本进行行稀疏自表征,同时融入超图来描述数据间多层次的相互关系;最后,利用生成的自表征系数进行谱聚类。利用基于超图的样本自表征技术考虑了样本之间复杂的相关性。通过在Hopkins155等数据集上的实验表明,在聚类错误率评判标准下,算法优于现有基于普通图的谱聚类算法SSC、SRC等。
- 李永钢苏毅娟何威雷聪
- 关键词：谱聚类超图
- 稀疏样本自表达子空间聚类算法被引量：2
- 2016年
- 针对现有子空间聚类算法在构造相似度矩阵时,没有同时利用样本自表达和稀疏相似度矩阵以及去除噪音、离群点的干扰相结合,提出了一种新的稀疏样本自表达子空间聚类方法。该方法通过样本自表达而充分利用样本间固有相关性的本质,创新性地同时使用L1-范数和L2,1-范数正则化项惩罚相似度矩阵,即对所有测试样本进行稀疏样本自表达,从而确保每个测试样本由与其相关性强的样本表示,并使所获得的相似度矩阵具有良好的子空间结构和鲁棒性。通过Hopkins155和人脸图像等大量数据集的实验结果表明,本文方法在实际数据的子空间聚类中能够获得非常好的效果。
- 林大华杨利锋邓振云李永钢罗噭
- 关键词：子空间聚类谱聚类相似度矩阵
- 全文增补中
