您的位置： 专家智库 > >

路亮

作品数：6 被引量：6H指数：1
供职机构：燕山大学信息科学与工程学院更多>>
发文基金：河北省自然科学基金国家自然科学基金中国博士后科学基金更多>>
相关领域：自动化与计算机技术理学更多>>

合作作者

文献类型

  • 5篇期刊文章
  • 1篇学位论文

领域

  • 5篇自动化与计算...
  • 1篇理学

主题

  • 5篇高维
  • 4篇高维空间
  • 3篇生成树
  • 3篇最小生成树
  • 2篇范数
  • 2篇L1范数
  • 1篇单类分类器
  • 1篇自适
  • 1篇自适应
  • 1篇模式识别
  • 1篇类数
  • 1篇分类器
  • 1篇L1
  • 1篇MST

机构

  • 6篇燕山大学
  • 1篇机械工业出版...

作者

  • 6篇路亮
  • 5篇胡正平
  • 4篇许成谦
  • 1篇侯明玉
  • 1篇冯春生

传媒

  • 1篇燕山大学学报
  • 1篇模式识别与人...
  • 1篇电子学报
  • 1篇数学的实践与...
  • 1篇信号处理

年份

  • 1篇2012
  • 4篇2011
  • 1篇2010
共 6 条 记 录，以下是 1-6
全选 清除 导出
排序方式：
基于高维空间目标类几何覆盖模型的一类分类器研究
传统基于划分分类的模式识别方法一般需要多个类别的训练样本,用来设计两类和多类分类器,然而在许多实际应用中存在一类分类问题。由于仅有一类样本可资利用,一类分类器设计必须通过对目标类样本的学习,形成目标类的合理覆盖模型进行识...
路亮
关键词：最小生成树
文献传递
基于高维空间稀疏最小生成树自适应覆盖模型的一类分类算法
2011年
最小生成树数据描述(MSTCD)在刻画高维空间样本点分布时,将所有图形的边作为新增虚拟样本以提供目标类样本分布描述,这种描述存在分支多、覆盖模型复杂的问题.针对该问题,依据特征空间中同类样本分布的连续性规律,文中提出基于稀疏最小生成树覆盖模型的一类分类算法.该方法首先构建目标类数据集的稀疏k近邻图表示,通过递归图分割算法发现数据分布的微聚类,再以微聚类的中心为图节点构建目标类的稀疏最小生成树覆盖模型.实验结果表明,文中方法与MSTCD和其它一类分类器相比有较优的描述性能和较低的模型复杂度.
胡正平路亮许成谦
关键词：高维空间
高维空间L1范数约束的一类数据稀疏距离测度学习算法与应用
2011年
现有一类分类算法通常采用经典欧氏测度描述样本间相似关系,然而欧氏测度不能较好地反映一些数据集样本的内在分布结构,从而影响这些方法对数据的描述能力.提出一种用于改善一类分类器描述性能的高维空间一类数据距离测度学习算法,与已有距离测度学习算法相比,该算法只需提供目标类数据,通过引入样本先验分布正则化项和L1范数惩罚的距离测度稀疏性约束,能有效解决高维空间小样本情况下的一类数据距离测度学习问题,并通过采用分块协调下降算法高效的解决距离测度学习的优化问题.学习的距离测度能容易的嵌入到一类分类器中,仿真实验结果表明采用学习的距离测度能有效改善一类分类器的描述性能,特别能够改善SVDD的描述能力,从而使得一类分类器具有更强的推广能力.
胡正平路亮许成谦侯明玉
关键词：高维空间L1范数
基于高维空间凸壳数据描述的一类分类算法研究被引量：1
2011年
一类分类问题的研究目标是设计目标类样本的覆盖函数,理想情况下使得目标类样本被接受,所有非目标类的样本被拒绝。经典SVDD覆盖模型寻找包含训练数据的最小半径超球对其进行覆盖,该模型对非规则复杂分布的数据描述存在较多的冗余区域。本文提出一种基于训练集样本凸壳数据描述(Convex Hull Data Description,CHDD)的紧致覆盖模型。该模型无须参数设置,可实现对样本非规则复杂分布的自适应覆盖,并可通过利用核函数方法获得更强的非线性分类能力。当训练集包含噪声样本时,通过拒绝一定比例的目标类样本可获得更为鲁棒的凸壳边界描述。在UCI数据库、MNIST手写体数据库和MIT-CBCL人脸识别数据库上的实验结果表明了本文方法的有效性,相比现有一类分类算法,CHDD取得更好的分类效果。
胡正平路亮冯春生
关键词：高维空间
基于高维空间典型样本Steiner最小树覆盖模型的一类分类算法被引量：1
2011年
最小生成树数据描述方法在刻画高维空间样本点分布时,将所有图形的边作为新增虚拟样本以提供同类样本分布描述,这种描述存在分支多覆盖模型复杂,且局部覆盖不够合理的问题。针对该问题,依据特征空间中同类样本分布的连续性规律,提出基于高维空间典型样本Steiner最小树覆盖模型的一类分类算法,该算法首先对目标类训练集进行样本修剪,去除冗余信息和噪声信息,选择最具代表性的样本作为训练集,然后对保留的典型样本构建Steiner最小树覆盖模型。算法分析和仿真实验结果表明,相比最小生成树数据描述,文中提出的方法能在较低覆盖模型复杂度的前提下更合理的描述目标类样本空间分布,构建更合理的覆盖模型,在分类正确率和适用样本规模上都表现出一定的优越性。
胡正平路亮许成谦
关键词：高维空间最小生成树
基于L1范数稀疏距离测度学习的单类分类算法被引量：4
2012年
已有单类分类算法通常采用欧氏测度描述样本间相似关系,然而欧氏测度有时难以较好地反映一些数据集样本的内在分布结构,为此提出一种用于改善单类分类器描述性能的高维空间单类数据距离测度学习算法,与已有距离测度学习算法相比,该算法只需提供目标类数据,通过引入样本先验分布正则化项和L1范数惩罚的距离测度稀疏性约束,能有效解决高维空间小样本情况下的单类数据距离测度学习问题,并通过采用分块协调下降算法高效的解决距离测度学习的优化问题.学习得到的距离测度能容易地嵌入到单类分类器中,仿真实验结果表明采用学习得到的距离测度能有效改善单类分类器的描述性能,特别能够改善覆盖分类的描述能力,从而使得单类分类器具有更强的推广能力.
胡正平路亮许成谦
关键词：模式识别L1范数单类分类器
全选 清除 导出
共1页<1>
聚类工具0