【摘要】：流形學習是為了尋找高維空間中觀測數據的低維嵌入.作為一種有效的非線性維數約減方法,流形學習被廣泛應用于數據挖掘、模式識別等機器學習領域.然而,對于樣本外點學習、增量學習和在線學習等流形學習方法,面對流式大數據的學習算法時間效率較低.為此提出了一種新的基于增量切空間的自適應流式大數據學習算法(self-adaptive streaming big data learning algorithm based on incremental tangent space alignment,SLITSA),該算法采用增量PCA的思想,增量地構造子空間,能在線或增量地檢測數據流中的內在低維流形結構,在迭代過程中構建新的切空間進行調準,保證了算法的收斂性并降低了重構誤差.通過人工數據集以及真實數據集上的實驗表明:該算法分類精度和時間效率優(yōu)于其他學習算法,可推廣到在線或流式大數據的應用當中.
[Abstract]:Manifold learning is to find low dimensional embedding of observation data in high dimensional space. As an effective nonlinear dimension reduction method, manifold learning is widely used in data mining, pattern recognition and other machine learning fields. However, for manifold learning methods such as sample outer point learning, incremental learning and online learning, the time efficiency of flow big data learning algorithm is low. In this paper, a new adaptive flow big data learning algorithm (self-adaptive streaming big data learning algorithm based on incremental tangent space alignment,SLITSA) based on incremental tangent space is proposed. The algorithm uses the idea of incremental PCA to construct subspace incrementally. The intrinsic low-dimensional manifold structure in the data stream can be detected on-line or incrementally, and a new tangent space is constructed during the iteration process, which ensures the convergence of the algorithm and reduces the reconstruction error. Experiments on artificial data sets and real data sets show that the classification accuracy and time efficiency of the proposed algorithm are superior to those of other learning algorithms and can be extended to the online or streaming big data applications.
【作者單位】： 南京師范大學計算機科學與技術學院;
【基金】：國家自然科學基金項目(41471371,61702270) 江蘇省高校自然科學基金項目(15KJB520022)~~
【分類號】：TP181

【相似文獻】

相關期刊論文 前10條

1 徐玉華;蔡麗紅;劉政;楊濤;;用延遲和非延遲自適應匹配的復雜動力網絡自適應同步(英文)[J];鄖陽師范高等�？茖W校學報;2012年06期

2 蔣新華;自適應PID控制(綜述)[J];信息與控制;1988年05期

3 張?zhí)扉_;;自適應PID控制算法及應用[J];青島建筑工程學院學報;1990年01期

4 周海濤;周建華;杭小宇;;基于自適應模糊PID控制方法的研究[J];機械工程與自動化;2014年03期

5 陳光達,段寶巖,保宏,仇原鷹;非線性不確定系統(tǒng)的自適應反饋控制方法[J];工業(yè)儀表與自動化裝置;2004年05期

6 唐穩(wěn),黃家田;基于回推算法的自適應PID控制研究[J];自動化技術與應用;2004年10期

7 盧志剛,易之光,趙翠儉,李兵,吳士昌;一種新型的自適應逆擾動消除器[J];儀器儀表學報;2004年S1期

8 譚平;蔡自興;余伶俐;;機器人聽覺實時自適應增益的研究與實現(xiàn)[J];華中科技大學學報(自然科學版);2008年S1期

9 吳梅;侯硯澤;;一種簡單的自適應延遲補償方法[J];飛行力學;2008年01期

10 倪衛(wèi);謝志江;袁曉東;劉小波;;基于氣墊的自適應平臺設計[J];液壓與氣動;2009年03期

相關會議論文 前10條

1 張偉;李斌;周維佳;;基于切空間的局部嵌入映射近鄰選擇[A];第七屆全國信息獲取與處理學術會議論文集[C];2009年

2 盧志剛;易之光;趙翠儉;李兵;吳士昌;;一種新型的自適應逆擾動消除器[A];第二屆全國信息獲取與處理學術會議論文集[C];2004年

3 路迎晨;李兵;;一類自適應預測算法的全局收斂性[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

4 王平;馮海朋;李勇;康燕;;一種工業(yè)無線網絡的自適應節(jié)能機制[A];2009中國儀器儀表與測控技術大會論文集[C];2009年

5 張競新;張廣巖;;全局收斂的自適應廣義預報控制算法[A];1991年控制理論及其應用年會論文集（上）[C];1991年

6 徐振中;;多指機器人手的一種自適應力／位控制方法[A];1994年中國控制會議論文集[C];1994年

7 汪德彪;宋樂鵬;鐘秉翔;;時滯對象神經元自適應控制仿真研究[A];中國自動化學會控制理論專業(yè)委員會C卷[C];2011年

8 周暉;趙珂;王潤生;;基于數據屬性驅動的高分辨率遙感圖像自適應融合分割算法[A];第十四屆全國信號處理學術年會(CCSP-2009)論文集[C];2009年

9 王小虎;陳翰馥;嚴衛(wèi)鋼;李高峰;;機動再入飛行器自適應飛行控制系統(tǒng)設計[A];第二十屆中國控制會議論文集（下）[C];2001年

10 趙越南;劉志遠;;車輛自適應巡航控制的BackStepping方法研究與仿真[A];第13屆中國系統(tǒng)仿真技術及其應用學術年會論文集[C];2011年

相關博士學位論文 前10條

1 王勝春;自適應時頻分析技術及其在故障診斷中的應用研究[D];山東大學;2007年

2 黃紅兵;層次流形學習及其在監(jiān)督分類中的應用[D];上海交通大學;2015年

3 杜春;流形學習及其應用算法研究[D];國防科學技術大學;2014年

4 李俊;基于智能優(yōu)化的特征選擇及分類方法研究[D];武漢大學;2014年

5 詹宇斌;流形學習理論與方法及其應用研究[D];國防科學技術大學;2011年

6 劉亞;復雜非線性系統(tǒng)的智能自適應重構控制[D];南京航空航天大學;2003年

7 王廣斌;基于流形學習的旋轉機械故障診斷方法研究[D];中南大學;2010年

8 高小方;流形學習中的若干問題研究[D];山西大學;2011年

9 孫明明;流形學習理論與算法研究[D];南京理工大學;2007年

10 江麗;基于流形學習的智能診斷方法研究[D];華中科技大學;2013年

相關碩士學位論文 前10條

1 呂鋮杰;串聯(lián)彈性關節(jié)控制與交互剛度辨識[D];浙江大學;2015年

2 侯賓;基于強化學習的環(huán)境光下自適應識別的研究[D];內蒙古工業(yè)大學;2015年

3 弋艷麗;基于反演自適應的板球控制的設計[D];河南科技大學;2015年

4 戴世宇;自適應壓電振動盤控制系統(tǒng)設計與實現(xiàn)[D];杭州電子科技大學;2015年

5 李慶天;線摩擦帶式輸送機自適應PID控制的研究[D];合肥工業(yè)大學;2015年

6 李季;無拖曳控制系統(tǒng)的自適應神經網絡控制器設計[D];華中科技大學;2014年

7 趙軒毅;壓電陶瓷動特性測試與控制技術研究[D];河北大學;2015年

8 薛志剛;提升MOEA/D性能的自適應局部搜索策略[D];湘潭大學;2016年

9 安新升;環(huán)境能量驅動的無線傳感器節(jié)點自適應數據傳輸機制[D];天津大學;2014年

10 楊堅;基于自適應ACO的多約束QoS路由研究[D];長沙理工大學;2015年

，

本文編號：2209669