客户-设备的p中心定位问题旨在使每个客户访问与其最近的开放设备的最大距离最小,是典型的NP难题。采用聚类分析来解决离散p-中心问题,主要工作包括:(1)分析了按需求点分布类型来分类p-中心问题;(2)提出了基于聚类的p-中心定位算法p-clu...客户-设备的p中心定位问题旨在使每个客户访问与其最近的开放设备的最大距离最小,是典型的NP难题。采用聚类分析来解决离散p-中心问题,主要工作包括:(1)分析了按需求点分布类型来分类p-中心问题;(2)提出了基于聚类的p-中心定位算法p-cluster;(3)提出了用混沌搜索机制来求解带权值的一中心问题的算法CSOC(Chaos Search One Center)。在合成数据和真实数据上的实验表明,使用p-cluster算法可以有效地解决p-中心问题,从对比实验可以看出p-cluster算法明显优于分支限界法。展开更多
针对核范数正则约束使得矩阵低秩性不足、奇异值分解对大规模数据计算代价大、传统优化算法需人为调试最优参数的问题,提出一种基于Schatten-p范数和近端交替线性最小化算法的深度可学习子空间聚类算法。首先,通过Schatten-p范数作为低...针对核范数正则约束使得矩阵低秩性不足、奇异值分解对大规模数据计算代价大、传统优化算法需人为调试最优参数的问题,提出一种基于Schatten-p范数和近端交替线性最小化算法的深度可学习子空间聚类算法。首先,通过Schatten-p范数作为低秩正则项,使得子空间聚类系数矩阵更好地满足低秩结构;其次,利用Schatten-p范数的矩阵分解格式,避免了SVD计算代价大的不足;最后,针对传统优化算法须人为调整参数的问题,根据激活函数和稀疏正则项的对应关系,建立深度学习网络框架,通过数据自适应学习得到最优参数集。在MNIST手写数字、Amsterdam Library of Object Images和ORL人脸三个数据集上进行聚类的数值实验,结果表明:提出的子空间聚类算法相比于谱聚类、低秩子空间聚类和稀疏子空间聚类算法有更好的聚类性能。展开更多
文摘客户-设备的p中心定位问题旨在使每个客户访问与其最近的开放设备的最大距离最小,是典型的NP难题。采用聚类分析来解决离散p-中心问题,主要工作包括:(1)分析了按需求点分布类型来分类p-中心问题;(2)提出了基于聚类的p-中心定位算法p-cluster;(3)提出了用混沌搜索机制来求解带权值的一中心问题的算法CSOC(Chaos Search One Center)。在合成数据和真实数据上的实验表明,使用p-cluster算法可以有效地解决p-中心问题,从对比实验可以看出p-cluster算法明显优于分支限界法。
文摘针对核范数正则约束使得矩阵低秩性不足、奇异值分解对大规模数据计算代价大、传统优化算法需人为调试最优参数的问题,提出一种基于Schatten-p范数和近端交替线性最小化算法的深度可学习子空间聚类算法。首先,通过Schatten-p范数作为低秩正则项,使得子空间聚类系数矩阵更好地满足低秩结构;其次,利用Schatten-p范数的矩阵分解格式,避免了SVD计算代价大的不足;最后,针对传统优化算法须人为调整参数的问题,根据激活函数和稀疏正则项的对应关系,建立深度学习网络框架,通过数据自适应学习得到最优参数集。在MNIST手写数字、Amsterdam Library of Object Images和ORL人脸三个数据集上进行聚类的数值实验,结果表明:提出的子空间聚类算法相比于谱聚类、低秩子空间聚类和稀疏子空间聚类算法有更好的聚类性能。
