|本期目录/Table of Contents|

[1]马 莉,杜小荣.基于监督学习的核拉普拉斯特征映射的FCM算法[J].工业仪表与自动化装置,2016,(04):9-12.
　MA Li,DU Xiaorong.The FCM algorithm?of?kernel?Laplace?feature eigenmaps?based on supervised learning[J].Industrial Instrumentation & Automation,2016,(04):9-12.
点击复制

基于监督学习的核拉普拉斯特征映射的FCM算法(PDF)

《工业仪表与自动化装置》[ISSN:1000-0682/CN:61-1121/TH]

卷:
期数:
2016年04期
页码:
9-12
栏目:
出版日期:
2016-08-15

文章信息/Info

Title:
The FCM algorithm?of?kernel?Laplace?feature eigenmaps?based on supervised learning
文章编号:
1000-0682(2016)04-0000-00
作者:
马 莉1; 杜小荣2
（1. 昌吉学院 物理系，新疆 昌吉 831100；2. 一拖（新疆）东方红装备机械有限公司，乌鲁木齐 830026）
Author(s):
MA Li1; DU Xiaorong2
（1. Department of Physics, Changji University, Xinjiang Changji 831100, China;2. YTO (Xinjiang) Dongfanghong Equipment Machinery Co., Ltd., Wulumuqi 830026, China）
关键词:
监督学习; 拉普拉斯特征映射; 流形结构; 核方法; 模糊C-均值聚类
Keywords:
supervised learning; Laplacian eigenmaps; manifold structure; kernel method; fuzzy C-means clustering
分类号:
TP14
DOI:
-
文献标志码:
A
摘要:
监督学习的核拉普拉斯特征映射，通过非线性核映射将样本数据投影到高维核特征空间，将流形结构和样本类别信息进行有效的结合后，提取嵌入在高维数据中的低维流形特征用于模糊C-均值聚类中，这样可以有效解决高维数据集中新样本的泛化性，并且能有效提高聚类的效果。
Abstract:
-

参考文献/References:

-

相似文献/References:

[1]崔胜胜,孙剑锋,马 斌,等.智能电表数据和监督学习检测非技术损失的研究[J].工业仪表与自动化装置,2020,(01):122.
　CUI Shengsheng,SUN Jianfeng,MA Bin,et al.Research on smart electric meter data and supervisory learning to detect non-technical loss[J].Industrial Instrumentation & Automation,2020,(04):122.

备注/Memo

备注/Memo:
收稿日期：2015-07-14
作者简介：马莉（1985），女，硕士研究生，助教，研究方向为智能控制系统与技术。昌吉学院物理系电气教研室老师。
更新日期/Last Update: 1900-01-01