投影自表示无监督极限学习机OA北大核心CSTPCD
Projected self-expressive unsupervised extreme learning machine
无监督极限学习机在投影过程中保持原始高维空间中的稀疏或近邻结构,样本在高维空间中存在冗余信息,原始的数据结构不一定适应于投影后的低维特征空间.为此,结合无监督极限学习机和子空间聚类的自表示学习,提出投影自表示无监督极限学习机模型.该模型是面向聚类的特征提取方法,在投影过程中学习自表示子空间结构,从而使无监督极限学习机提取的特征自适应于聚类任务.在IRIS数据集、6个基因表达和2个医学影像高维数据集上进行实验,结果表明该模型和算法是有效的.
汪巧萍;陈晓云
福州大学数学与统计学院,福建 福州 350108福州大学数学与统计学院,福建 福州 350108
信息技术与安全科学
极限学习机流形正则化子空间聚类无监督学习自表示学习
《福州大学学报（自然科学版）》 2022 (1)
9-15,7
福建省自然科学基金资助项目(2018J01666)
评论