一种非负稀疏近邻表示的多标签学习算法

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种非负稀疏近邻表示的多标签学习算法

陈思宝, 徐丹洋, 罗斌

文章导航 > 电子科技大学学报 > 2015 > 44(6): 899-904

陈思宝, 徐丹洋, 罗斌. 一种非负稀疏近邻表示的多标签学习算法[J]. 电子科技大学学报, 2015, 44(6): 899-904. doi: 10.3969/j.issn.1001-0548.2015.06.018

引用本文:

陈思宝, 徐丹洋, 罗斌. 一种非负稀疏近邻表示的多标签学习算法[J]. 电子科技大学学报, 2015, 44(6): 899-904. doi: 10.3969/j.issn.1001-0548.2015.06.018

CHEN Si-bao, XU Dan-yang, LUO Bin. A Non-Negative Sparse Neighbor Representation for Multi-Label Learning Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(6): 899-904. doi: 10.3969/j.issn.1001-0548.2015.06.018

Citation:

CHEN Si-bao, XU Dan-yang, LUO Bin. A Non-Negative Sparse Neighbor Representation for Multi-Label Learning Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(6): 899-904. doi: 10.3969/j.issn.1001-0548.2015.06.018

一种非负稀疏近邻表示的多标签学习算法

doi: 10.3969/j.issn.1001-0548.2015.06.018

中图分类号: TP391.4

A Non-Negative Sparse Neighbor Representation for Multi-Label Learning Algorithm

摘要: 针对训练数据中的非线性流形结构以及基于稀疏表示的多标签分类中判别信息丢失严重的问题,该文提出一种非负稀疏近邻表示的多标签学习算法。首先找到待测试样本每个标签类上的k-近邻,然后基于LASSO稀疏最小化方法,对待测试样本进行非负稀疏线性重构,得到稀疏的非负重构系数。再根据重构误差计算待测试样本对每个类别的隶属度,最后实现多标签数据分类。实验结果表明所提出的方法比经典的多标签k近邻分类(ML-KNN)和稀疏表示的多标记学习算法(ML-SRC)方法性能更优。
- 多标签学习 /
- 稀疏近邻表示 /
- LASSO稀疏最小化 /
- 非负重构

[1]	Schapire R E, Singer Y. Boostexter: a boosting-based system for text categorization[J]. Machine Learning, 2000, 39(2-3): 135-168.
[2]	Ueda N, Saito K. Parametric mixture models for multi-label text[J]. Advances in Neural Information Processing, 2003(15): 721-728.
[3]	Zhang M L, Zhou Z H. ML-KNN: a lazy learning approach to multi-label learning[J]. Pattern Recognition, 2007, 40(7): 2038-2048.
[4]	Sanden C, Zhang J Z. Enhancing multi-label music genre classification through ensemble techniques[C] //Proceedings of the 34th international ACM SIGIR Conference on Research and development in Information Retrieval. New York: ACM, 2011: 705-714.
[5]	Elisseeff A, Weston J. A kernel method for multi-labelled classification[J]. Advances in Neural Information Processing, 2002(14): 681-687.
[6]	Candès E J, Romberg J, TAO T. Robust uncertainty principles: Exact signal reconstruction from highly incomplete frequency information[J]. IEEE Transactions on Information Theory, 2006, 52(2): 489-509.
[7]	Wright J, Yang A Y, GANESH A, et al. Robust face recognition via sparse representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(2): 210-227.
[8]	JI Y, LIN T, ZHA H. Mahalanobis distance based non-negative sparse representation for face recognition[C]// International Conference on Machine Learning and Applications. Miami, FL: IEEE, 2009: 41-46.
[9]	Hui K, Li C, Zhang L. Sparse neighbor representation for classification[J]. Pattern Recognition Letters, 2012, 33(5): 661-669.
[10]	宋相法, 焦李成. 基于稀疏表示的多标记学习算法[J]. 模式识别与人工智能, 2012, 25(1): 124-129. SONG Xiang-fa, JIAO Li-cheng. A multi-label learning algorithm based on sparse representation[J]. Pattern Recognition and Artificial Intelligence, 2012, 25(1): 124-129.
[11]	Tibshirani R. Regression shrinkage and selection via the lasso[J]. Journal of the Royal Statistical Society (Series B, Methodological), 1996, 58(1): 67-88.
[12]	Lee D D, Seung H S. Algorithms for non-negative matrix factorization[J]. Advances in Neural Information Processing, 2001(2): 556-562.
[13]	Beck A, Teboulle M. A fast iterative shrinkage-thresholding algorithm for linear inverse problems[J]. SIAM Journal on Imaging Sciences, 2009, 2(1): 183-202.
[14]	Boutell M R, Luo J, Shen X, et al. Learning multi-label scene classification[J]. Pattern Recognition, 2004, 37(9): 1757-1771.

[1]	张婷婷, 杨红雨, 林毅. 融合表示学习的中医面部穴位检测框架 . 电子科技大学学报, 2023, 52(2): 175-181. doi: 10.12178/1001-0548.2022392
[2]	王兆滨, 马一鲲, 崔子婧. 基于引导滤波与稀疏表示的医学图像融合 . 电子科技大学学报, 2022, 51(2): 264-273. doi: 10.12178/1001-0548.2021165
[3]	张天一, 李文昌, 肖金玉, 刘剑. 基于稀疏字典学习的VLSI温度场重构技术 . 电子科技大学学报, 2021, 50(4): 502-507. doi: 10.12178/1001-0548.2020417
[4]	毛远宏, 贺占庄, 马钟. 重构迁移学习的红外目标分类 . 电子科技大学学报, 2020, 49(4): 609-614. doi: 10.12178/1001-0548.2019162
[5]	李世超, 王秋云, 寇为刚, 贺国庆. 基于车辆边缘计算的用户能耗最小化资源分配研究 . 电子科技大学学报, 2020, 49(2): 206-212. doi: 10.12178/1001-0548.2018314
[6]	窦育强, 王晖. 基于KR积的稀疏重构近场源定位 . 电子科技大学学报, 2019, 48(6): 845-849. doi: 10.3969/j.issn.1001-0548.2019.06.007
[7]	李厚彪, 樊庆宇, 耿广磊. 基于自适应同时稀疏表示的鲁棒性目标追踪 . 电子科技大学学报, 2018, 47(1): 1-12. doi: 10.3969/j.issn.1001-0548.2018.01.001
[8]	许志良, 邓承志, 张运生. 非局域自相似约束的Shearlet稀疏正则化图像恢复 . 电子科技大学学报, 2016, 45(1): 43-47. doi: 10.3969/j.issn.1001-0548.2016.01.006
[9]	杨鹏, 闫飞, 张胜辉, 杨峰. 基于FOCUSS算法的稀疏阵列综合 . 电子科技大学学报, 2014, 43(2): 203-206. doi: 10.3969/j.issn.1001-0548.2014.02.008
[10]	程建, 黎兰, 王海旭. 稀疏表示框架下的SAR目标识别 . 电子科技大学学报, 2014, 43(4): 524-529. doi: 10.3969/j.issn.1001-0548.2014.04.009
[11]	文乔农, 刘增力, 万遂人, 徐双. 稀疏正则化方法的超声信号反卷积 . 电子科技大学学报, 2013, 42(3): 475-480. doi: 10.3969/j.issn.1001-0548.2013.03.030
[12]	朱丰, 张群, 梁必帅, 罗迎, 李开明, 毕博. 频谱稀疏OFD-LFM弹头自旋微动特征重构方法 . 电子科技大学学报, 2013, 42(3): 369-374. doi: 10.3969/j.issn.1001-0548.2013.03.010
[13]	罗浚溢, 田书林, 王志刚, 刘涛. 最小L₁范数实现周期非均匀采样与重构研究 . 电子科技大学学报, 2012, 41(3): 418-423. doi: 10.3969/j.issn.1001-0548.2012.03.019
[14]	刘昶, 周激流, 何坤, 张健. 正交非负CP分解的图像表示和识别 . 电子科技大学学报, 2011, 40(6): 905-910. doi: 10.3969/j.issn.1001-0548.2011.06.019
[15]	魏宁, 张忠培, 李少谦. 解码前传协同通信的断线率最小化 . 电子科技大学学报, 2009, 38(1): 36-39.
[16]	陈科, 朱清新, 易涛. 带稀疏惩罚的LCNN盲目图像复原 . 电子科技大学学报, 2008, 37(6): 926-929.
[17]	尹忠科, 解梅, 王建英. 基于稀疏分解的图像去噪 . 电子科技大学学报, 2006, 35(6): 876-878.
[18]	陈客松, 何子述, 韩春林. 稀疏线阵阵列结构的枚举算法 . 电子科技大学学报, 2006, 35(2): 189-192.
[19]	瞿成明, 江明, 陈其工. 直接转矩控制转矩脉动最小化方法研究 . 电子科技大学学报, 2006, 35(6): 942-945.
[20]	喻胜, 何丕雁, 陈光. 利用最小化代价函数方法实现多窗口谱分析 . 电子科技大学学报, 1999, 28(3): 273-277.

WeChat

点击查看大图

计量

文章访问数: 5974
HTML全文浏览量: 177
PDF下载量: 462
被引次数: 0

一种非负稀疏近邻表示的多标签学习算法

doi: 10.3969/j.issn.1001-0548.2015.06.018

刊出日期: 2015-12-15

中图分类号: TP391.4

关键词:

摘要: 针对训练数据中的非线性流形结构以及基于稀疏表示的多标签分类中判别信息丢失严重的问题,该文提出一种非负稀疏近邻表示的多标签学习算法。首先找到待测试样本每个标签类上的k-近邻,然后基于LASSO稀疏最小化方法,对待测试样本进行非负稀疏线性重构,得到稀疏的非负重构系数。再根据重构误差计算待测试样本对每个类别的隶属度,最后实现多标签数据分类。实验结果表明所提出的方法比经典的多标签k近邻分类(ML-KNN)和稀疏表示的多标记学习算法(ML-SRC)方法性能更优。

English Abstract

陈思宝, 徐丹洋, 罗斌. 一种非负稀疏近邻表示的多标签学习算法[J]. 电子科技大学学报, 2015, 44(6): 899-904. doi: 10.3969/j.issn.1001-0548.2015.06.018

引用本文:

陈思宝, 徐丹洋, 罗斌. 一种非负稀疏近邻表示的多标签学习算法[J]. 电子科技大学学报, 2015, 44(6): 899-904. doi: 10.3969/j.issn.1001-0548.2015.06.018

CHEN Si-bao, XU Dan-yang, LUO Bin. A Non-Negative Sparse Neighbor Representation for Multi-Label Learning Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(6): 899-904. doi: 10.3969/j.issn.1001-0548.2015.06.018

Citation:

CHEN Si-bao, XU Dan-yang, LUO Bin. A Non-Negative Sparse Neighbor Representation for Multi-Label Learning Algorithm[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(6): 899-904. doi: 10.3969/j.issn.1001-0548.2015.06.018

全文HTML

参考文献 (14)

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

期刊在线

编辑办公

友情链接

电子科技大学

版权所有 © 《电子科技大学学报》编辑部

地址: 成都市建设北路二段四号电子科技大学主楼中350室电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

本系统由北京仁和汇智信息技术有限公司开发