典型文献
子空间结构保持的多层极限学习机自编码器
文献摘要：
处理高维复杂数据的聚类问题,通常需先降维后聚类,但常用的降维方法未考虑数据的同类聚集性和样本间相关关系,难以保证降维方法与聚类算法相匹配,从而导致聚类信息损失.非线性无监督降维方法极限学习机自编码器(Ex-treme learning machine,ELM-AE)因其学习速度快、泛化性能好,近年来被广泛应用于降维及去噪.为使高维数据投影至低维空间后仍能保持原有子空间结构,提出基于子空间结构保持的多层极限学习机自编码器降维方法(Multilayer ex-treme learning machine autoencoder based on subspace structure preserving,ML-SELM-AE).该方法在保持聚类样本多子空间结构的同时,利用多层极限学习机自编码器捕获样本集的深层特征.实验结果表明,该方法在UCI数据、脑电数据和基因表达谱数据上可以有效提高聚类准确率且取得较高的学习效率.
文献关键词：
多层极限学习机;自编码器;子空间学习;降维
中图分类号：
作者姓名：
陈晓云;陈媛
作者机构：
福州大学数学与计算机科学学院 福州350116
文献出处：
引用格式：
[1]陈晓云;陈媛-.子空间结构保持的多层极限学习机自编码器)[J].自动化学报,2022(04):1091-1104
A类：
SELM
B类：
子空间结构,结构保持,多层极限学习机,极限学习机自编码器,复杂数据,聚类问题,先降,降维方法,类聚,聚集性,聚类算法,信息损失,无监督,Ex,treme,learning,machine,AE,学习速度,泛化性能,去噪,高维数据,低维空间,Multilayer,ex,autoencoder,on,subspace,structure,preserving,ML,多子,样本集,深层特征,UCI,脑电数据,基因表达谱,谱数据,学习效率,子空间学习
AB值：
0.322306
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
