杨小飞
- 作品数：33 被引量：62H指数：5
- 供职机构：西安工程大学理学院更多>>
- 发文基金：国家自然科学基金陕西省教育厅科研计划项目陕西省自然科学基金更多>>
- 相关领域：自动化与计算机技术理学更多>>
- 基于L_(2,0)范数约束和冗余度学习的无监督特征选择算法
- 2023年
- 为了更好地消除特征间的冗余,结合稀疏学习,提出一种融合特征冗余度学习的稀疏无监督特征选择算法。首先,该算法利用L1范数度量投影数据点与聚类标签之间的损失,引入辅助变量将聚类标签的编码矩阵的正交性与非负性分离,确保编码矩阵是非负的且更接近理想的标签;其次,利用余弦相似度方法构造特征的冗余度矩阵,并将其作为正则项约束来学习投影矩阵;最后,通过L_(2,0)范数约束投影矩阵,可以恰好得到它的k个非零行,进而选出原始数据的k个特征。由此得到基于L_(2,0)范数约束和特征冗余度学习的稀疏无监督特征选择模型。所提算法在12个公开数据集上与10个相关算法进行比较,实验结果表明该算法在多数情况下可以选出更具判别性的特征。
- 蒙莹莹李巧艳杨小飞袁林
- 关键词：矩阵分解无监督学习
- 关于“预拓扑与网族的预收敛类”的注被引量：1
- 2012年
- 本文研究了预拓扑空间中的收敛问题.利用完备格同构的方法,获得了预拓扑与预收敛类可以相互确定的结果,推广了拓扑与收敛类可以相互确定的结果,同时推广了文献[1]的结果.
- 杨小飞伏文清李生刚
- 关键词：完备格同构
- 基于局部保留投影的稀疏中智聚类算法
- 2024年
- 聚类算法是机器学习领域重要的研究课题之一,传统的中智聚类算法(例如FC-PFS算法)未考虑局部空间结构,且距离的计算受到冗余特征影响,不能有效处理高维数据集。为此,提出一种新的基于局部保留投影的稀疏中智聚类算法(LPSNCM)及其优化方法。一方面LPSNCM算法通过局部保留投影方法生成具有局部结构信息的正交投影空间,另一方面通过特征提取方法可以减少特征数量以获得更有效的特征,从而增强了FC-PFS算法处理高维数据的能力。LPSNCM算法也可以被看作是谱聚类两个独立阶段的统一模型。在一些基准数据集上的实验结果表明,与FC-PFS和某些最新方法相比,证明了LPSNCM的有效性。
- 张丹马盈仓杨小飞邢志伟
- 预拓扑空间的邻域系、开邻域基与基被引量：9
- 2008年
- 定义了预拓扑空间的邻域系、开邻域基与基;研究了邻域系和开邻域基的性质;给出了两个开邻域基算子彼此等价的充分必要条件以及两个预拓扑基彼此等价的充分必要条件;讨论了预拓扑空间的可数基的一些性质;证明了有限预拓扑有最小基并给出了求最小基的3种算法.
- 杨小飞李生刚温智涛
- 关键词：邻域系正交基
- 模糊化拓扑空间的刻画被引量：1
- 2016年
- 给出模糊化拓扑滤子收敛空间的定义,证明了模糊化拓扑滤子收敛空间和模糊化拓扑空间在范畴意义下是同构的,并且讨论了和其它极限结构的关系。模糊化拓扑滤子收敛空间和模糊化拓扑网收敛空间是匹配的。
- 杨小飞
- 关键词：同构
- 基于共享逆近邻与指数核的密度峰聚类算法
- 2020年
- 针对密度峰聚类算法中局部密度定义和聚类分配策略的不足,提出了一种基于共享逆近邻与指数核的密度峰聚类算法。该算法利用样本的共享逆近邻点和指数核函数构造一种相似度,得到一种新的密度并将其应用在密度峰聚类算法中生成初始簇,然后将这些簇与凝聚层次聚类算法结合形成最终的类簇。数值实验证明:提出的基于共享逆近邻与指数核的密度峰聚类算法在真实数据集上的聚类结果要优于其他密度聚类算法,并能有效解决密度峰聚类算法中局部密度定义问题和聚类分配策略问题。
- 高月杨小飞马盈仓汪义瑞
- 关键词：相似度
- [0,1]-拟阵模糊基的进一步研究
- 2016年
- 进一步研究保证[0,1]-拟阵模糊基具有存在性、等势性和交换性的条件,通过引入有界性、饱和性和强基好性的概念,给出有界性与闭性、饱和性与正则性、强基好性与基好性之间的关系.
- 林福宁李生刚杨小飞
- 关键词：模糊基有界性饱和性
- L-滤子收敛结构的对角化条件
- 2016年
- 借助L-滤子给出了L-滤子收敛结构的对角化条件,并给出它的两种等价刻画。最后证明了L-滤子拓扑收敛空间和L-拓扑空间是范畴同构的。
- 杨小飞
- 关键词：L-拓扑空间同构
- [0,1]-拟阵的层诱导模糊圈
- 2016年
- 引入了[0,1]-拟阵的层诱导模糊圈和圈稠密性的概念,证明了闭[0,1]-拟阵的层诱导模糊圈的存在性和不可比较性,并给出层诱导模糊圈在圈稠密的闭[0,1]-拟阵中的消去性定理。
- 林福宁李生刚杨小飞
- 基于σ范数和秩约束的相似矩阵学习算法被引量：1
- 2020年
- 针对经典谱聚类算法中的相似矩阵固定,相似矩阵不能很好地反应数据结构,并且需要后处理才能得到聚类结果的问题,利用σ范数理论和交替迭代方法,提出一种新的基于σ范数和秩约束的相似矩阵学习算法(RSC-lσ)。通过σ正则项学习一个新的相似矩阵,然后对该矩阵的拉普拉斯矩阵施加秩约束,使得学习的相似矩阵恰好具有c个连通分支(c是预先指定的聚类个数),因而直接得出聚类结果。与l1范数和l2范数相比,σ范数能很好地消除离群点的影响,因而得到相似矩阵使得聚类结果具有较好的鲁棒性。实验表明:该算法在人工数据集和真实数据集上的聚类结果较其他聚类算法更加有效,而且能更好地处理非线性聚类问题。
- 杨婷杨小飞马盈仓汪义瑞
- 关键词：聚类谱聚类相似矩阵
