导读:本文包含了高维数据论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:数据,特征,向量,拓扑,矩阵,高位,线性。
高维数据论文文献综述
向志华,邵亚丽[1]（2019）在《一种结合贪心选择和特征加权的高维数据聚类算法》一文中研究指出为解决传统聚类算法无法对高维数据聚类的问题,文中提出了一种结合贪心选择和特征加权的TC-Mean shift高维数据聚类算法。通过对一维数据进行聚类,获得一维数据的聚类结果,再通过加权添加维度聚类,最终获得所有维度数据的聚类,实现对高维数据的聚类。测试结果表明,该算法能够准确地对稀疏的高维数据样本进行聚类,能够处理各种维度的数据,具有良好的实际应用价值。(本文来源于《电子科技》期刊2019年11期）
宋梅青[2]（2019）在《面向高维数据环境的个性化推荐质量控制模型研究》一文中研究指出[目的/意义]在高维数据环境下,推荐的精准度和实时性存在相互制约的现象。如何在精准度与实时性之间取得平衡,实现对推荐质量的有效控制是值得研究的问题。[方法/过程]本文首先分析了高维数据环境的成因及其对推荐质量的影响,在此基础上构建了一种个性化推荐质量控制模型,该模型先评估推荐质量在精准度和实时性两个方面的损失,再结合应用环境,得到相应的质量控制策略。[结果/结论]实验分析的结果证明该模型可以在高维数据环境下实现对推荐质量的有效控制,让推荐系统可以更好地适应不同的应用环境。(本文来源于《现代情报》期刊2019年11期）
张勇,陈菊[3]（2019）在《基于决策树的网络高维数据软子空间聚类方法研究》一文中研究指出典型网络高维数据软子空间聚类方法采用软子空间聚类算法,根据目标函数最优解判断聚类是否最优,最优解计算过程容易过度拟合陷入局部最优,导致分类结果精度低。故文中提出基于决策树的网络高维数据软子空间聚类方法,根据信息增益选择决策树节点,在信息增益基础上添加分裂信息项防止决策树节点过度分类,获取不同树节点属性类别划分结果。在此基础上采用后剪枝技术删除含有噪音和干扰属性结点,将包含样本数量最多的分类结果视为网络高维数据软子空间的分类结果。仿真实验结果表明,所提方法聚类分析正确率随着网络高维数据集维数的增加而增加,且随样本数量增加的同时运行时间增长幅度较低,用时较短,是一种应用价值高的网络高维数据软子空间聚类方法。(本文来源于《现代电子技术》期刊2019年20期）
杨雨萌,黄琼华,汪四水[4]（2019）在《高维数据下的贝叶斯网络结构学习》一文中研究指出贝叶斯网络模型作为一种传统有效的大数据图模型,因其具有因果和概率性语义等特点受到学者们的广泛研究。为了解决基于高维数据构建贝叶斯网络的难题,本文提出了一种适用于高维数据的贝叶斯网络结构学习算法—LTB算法,该算法由Lasso、Tabu Search算法和BIC结合。首先,运用Lasso降低协变量的维数,筛选出与目标变量关系密切的协变量将作为贝叶斯网络的顶点。然后,选择Tabu Search作为元启发式算法,选择BIC作为计算得分的方法,两者结合构建全局最优的贝叶斯网络结构。实证分析表明,LTB算法应用于上证综指影响因素的研究,既可以获得上证综指与其影响因素间的因果关系,也可以利用条件概率得到上证综指影响因素间的组合方式。(本文来源于《数理统计与管理》期刊2019年06期）
冯晓荣,瞿国庆[5]（2019）在《基于深度学习与随机森林的高维数据特征选择》一文中研究指出针对特征选择算法对高维大数据降维效果与稳定性差的缺点,提出一种基于深度学习与随机森林的大数据特征选择算法。设计基于随机森林的特征消除算法,对高维大数据集进行特征降维处理;采用保留的特征对受限玻尔兹曼机进行训练,确定受限玻尔兹曼机的模型结构与权重;使用训练受限玻尔兹曼机的学习参数初始化一个多层神经网络,通过标准的后向传播方法训练多层神经网络。基于多组数据集的实验结果表明,该算法提高了高维数据集特征选择的化简效果,保持了较高的稳定性与鲁棒性。(本文来源于《计算机工程与设计》期刊2019年09期）
巫红霞,谢强[6]（2019）在《基于加权社区检测与增强人工蚁群算法的高维数据特征选择》一文中研究指出为了提高高维数据特征选择的时间效率、降低特征选择的冗余度与不相关性,提出一种基于加权社区检测与增强人工蚁群算法的高维数据特征选择算法。设计加权的社区检测算法,将特征相似性作为社区划分的模块度,根据特征判别力为社区分配不同的权重;通过人工蚁群算法并行地处理每个特征分类,将每个特征分类按优劣程度组成队列;选出每个队列的top-k特征子集做全局比较,提取全局最优的特征子集。仿真实验结果表明,该算法对于高维数据集实现了较好的特征提取结果,并且实现了合理的时间成本。(本文来源于《计算机应用与软件》期刊2019年09期）
刘擘龙,李喆[7]（2019）在《基于拓扑数据分析的高维数据隐藏模式挖掘》一文中研究指出针对传统数据分析方法寻找高维复杂数据间隐藏模式存在局限性的问题,提出基于拓扑数据分析的高维数据隐藏模式挖掘方法,通过提取复杂高维数据的特征,分析其形状和样本的相互关系来获得数据集隐藏模式。利用拓扑数据分析对高维数据集-声音的性别识别进行实例验证,同时对数据集数据子组以及相关数据子组之间关系进行可视化分析,结果表明所提方法可发现传统方法无法发现的数据子组之间隐含的关系和模式,得到了比传统方法更精细有效的结果,验证了所提方法对高维数据隐藏模式挖掘的强大性和有效性。(本文来源于《系统仿真学报》期刊2019年09期）
刘晓悦,李宏光[8]（2019）在《基于高维数据可视化的化工过程故障分类方法》一文中研究指出化工过程数据具有非线性、高维性和多变量等特点,因此在采用基于数据驱动的故障分类方法时有必要降低数据的维数,去除无关变量。数据可视化与降维方法相互配合,继而可以观察高维数据的特征。本文提出采用t-SNE算法先将非线性、高维度的化工过程数据降到低维空间并对其进行可视化分析,观察数据点在低维空间的分布情况以及类别信息,再利用网格优化支持向量机对其进行分类和识别,从而进行化工过程的故障诊断。采用TE过程对所提方法进行了应用,故障分类准确,表明了所提出方法的有效性。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
雷宇[9]（2019）在《面向大数据的高维数据挖掘技术研究》一文中研究指出现阶段,互联网推行大数据之后存在两个方面的影响:首先,数据量迅速增长;其次,数据复杂性不断提高。一旦数据量增长并不断累积,势必会出现质变现象。大数据涵盖内容广泛,除了视频数据之外,结构信息还包括文本数据,此外无论是处理速度,还是采集速度,都实现快速提高。生产企业一旦成功应用,除了生产效率得到迅速提升之外,决策效率也会提高;政府部门成功应用,能够及时处理应急事件。由此,数据挑战在今后发展过程中将越来越突出。(本文来源于《企业科技与发展》期刊2019年07期）
刘鹏,叶宾[10]（2019）在《基于随机矩阵理论的高维数据线性判别分析方法》一文中研究指出线性判别分析(LDA)是机器学习和数据挖掘中一种常用的基于模型的分类方法。尽管该分类方法在许多实际应用中表现良好,但在处理高维数据时其效果却很不理想。其原因在于:当变量数目p接近或者大于样本数目n时,样本协方差矩阵不再是真实协方差矩阵的一个良好估计,导致线性判别函数值产生了较大的偏差。文中提出了一种基于随机矩阵理论的高维数据分类器正则化方法。首先,利用随机矩阵理论,分别以旋转不变估计法(当p≤n时)或者特征值截取法(当p>n时)对高维协方差矩阵进行一致估计;然后,使用估计出的高维协方差矩阵计算判别函数值。在模拟数据集和3个微阵列数据集上进行的分类实验的结果表明,所提线性判别分析方法在处理高维数据时不但适用范围更广,而且具有较高的分类正确率。(本文来源于《计算机科学》期刊2019年S1期）
高维数据论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
[目的/意义]在高维数据环境下,推荐的精准度和实时性存在相互制约的现象。如何在精准度与实时性之间取得平衡,实现对推荐质量的有效控制是值得研究的问题。[方法/过程]本文首先分析了高维数据环境的成因及其对推荐质量的影响,在此基础上构建了一种个性化推荐质量控制模型,该模型先评估推荐质量在精准度和实时性两个方面的损失,再结合应用环境,得到相应的质量控制策略。[结果/结论]实验分析的结果证明该模型可以在高维数据环境下实现对推荐质量的有效控制,让推荐系统可以更好地适应不同的应用环境。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
高维数据论文参考文献
[1].向志华,邵亚丽.一种结合贪心选择和特征加权的高维数据聚类算法[J].电子科技.2019
[2].宋梅青.面向高维数据环境的个性化推荐质量控制模型研究[J].现代情报.2019
[3].张勇,陈菊.基于决策树的网络高维数据软子空间聚类方法研究[J].现代电子技术.2019
[4].杨雨萌,黄琼华,汪四水.高维数据下的贝叶斯网络结构学习[J].数理统计与管理.2019
[5].冯晓荣,瞿国庆.基于深度学习与随机森林的高维数据特征选择[J].计算机工程与设计.2019
[6].巫红霞,谢强.基于加权社区检测与增强人工蚁群算法的高维数据特征选择[J].计算机应用与软件.2019
[7].刘擘龙,李喆.基于拓扑数据分析的高维数据隐藏模式挖掘[J].系统仿真学报.2019
[8].刘晓悦,李宏光.基于高维数据可视化的化工过程故障分类方法[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[9].雷宇.面向大数据的高维数据挖掘技术研究[J].企业科技与发展.2019
[10].刘鹏,叶宾.基于随机矩阵理论的高维数据线性判别分析方法[J].计算机科学.2019
论文知识图
