高光谱图像(Hyperspectral Images, HSI)可提供几十到数百个连续的光谱波段,但这些波段导致数据处理的复杂性增加,并且相邻波段的冗余度较大。为了解决这些问题,提出了一种潜在特征融合和最优聚类的高光谱图像降维方法(Latent Features ...高光谱图像(Hyperspectral Images, HSI)可提供几十到数百个连续的光谱波段,但这些波段导致数据处理的复杂性增加,并且相邻波段的冗余度较大。为了解决这些问题,提出了一种潜在特征融合和最优聚类的高光谱图像降维方法(Latent Features Fusion and Optimal Clustering Framework, LFFOCF)。该方法使用超像素分割将HSI分割为多个区域,以便充分保留HSI的空间信息。通过构造相应的拉普拉斯矩阵获取先验信息,生成一组低维潜在特征,进一步增强不同波段之间的可分性;通过融合区域感知的潜在特征,获得HSI的共享潜在特征表示,以有效捕获HSI的频带冗余;通过最优聚类框架搜索HSI中的最优聚类结构,在一种排序策略的基础上获得最优聚类结果,生成相关性较低且具有更多鉴别信息的波段子集。该方法充分利用了光谱和空间特性,在两个公共数据集上的大量实验表明,与Optimal Neighborhood Reconstruction(ONR)、Optimal Clustering Framework(OCF)和Region-aware Latent Features Fusion based Clustering(RLFFC)方法相比,所提出的方法在OA、MA和Kappa系数3个指标上都优于其他算法。展开更多
随着社交网络服务的快速发展及增长,理解网络用户之间潜在的影响力的传播过程,能够帮助用户更好地理解网络结构的动态演化,以及不同的信息对于人与人之间社会关系的影响作用.现有的影响力传播相关的研究工作主要集中在给定静态社交网络...随着社交网络服务的快速发展及增长,理解网络用户之间潜在的影响力的传播过程,能够帮助用户更好地理解网络结构的动态演化,以及不同的信息对于人与人之间社会关系的影响作用.现有的影响力传播相关的研究工作主要集中在给定静态社交网络结构,分析用户之间的影响力传播,找出最具有影响力的用户子集.然而大部分已有工作都忽略了社交网络中的内容信息,即用户之间的影响力作用是与用户产生内容紧密相关的.该文提出了一种融合内容信息和社交网络动态时间特性的潜在影响力传播模型InfoIBP(Influence propagation on Indian Buffet Process).网络中有影响力的用户被看作是一种潜在的特征,可通过不同采样算法和数值逼近求解出来.而对于网络动态时间特性,借助于隐马尔可夫模型来建模不同时间步上的影响力传播过程.在数据集DBLP和Digg上的一系列链接预测、偏好预测和运行时间评测等实验,证明了所提InfoIBP模型能够更准确地建模潜在的影响力传播过程,更有效地挖掘出社交网络中的有影响力用户及更全面地描述网络的动态时间特性,并能对未来的观测数据做出相对精准的预测.展开更多
文摘高光谱图像(Hyperspectral Images, HSI)可提供几十到数百个连续的光谱波段,但这些波段导致数据处理的复杂性增加,并且相邻波段的冗余度较大。为了解决这些问题,提出了一种潜在特征融合和最优聚类的高光谱图像降维方法(Latent Features Fusion and Optimal Clustering Framework, LFFOCF)。该方法使用超像素分割将HSI分割为多个区域,以便充分保留HSI的空间信息。通过构造相应的拉普拉斯矩阵获取先验信息,生成一组低维潜在特征,进一步增强不同波段之间的可分性;通过融合区域感知的潜在特征,获得HSI的共享潜在特征表示,以有效捕获HSI的频带冗余;通过最优聚类框架搜索HSI中的最优聚类结构,在一种排序策略的基础上获得最优聚类结果,生成相关性较低且具有更多鉴别信息的波段子集。该方法充分利用了光谱和空间特性,在两个公共数据集上的大量实验表明,与Optimal Neighborhood Reconstruction(ONR)、Optimal Clustering Framework(OCF)和Region-aware Latent Features Fusion based Clustering(RLFFC)方法相比,所提出的方法在OA、MA和Kappa系数3个指标上都优于其他算法。
文摘随着社交网络服务的快速发展及增长,理解网络用户之间潜在的影响力的传播过程,能够帮助用户更好地理解网络结构的动态演化,以及不同的信息对于人与人之间社会关系的影响作用.现有的影响力传播相关的研究工作主要集中在给定静态社交网络结构,分析用户之间的影响力传播,找出最具有影响力的用户子集.然而大部分已有工作都忽略了社交网络中的内容信息,即用户之间的影响力作用是与用户产生内容紧密相关的.该文提出了一种融合内容信息和社交网络动态时间特性的潜在影响力传播模型InfoIBP(Influence propagation on Indian Buffet Process).网络中有影响力的用户被看作是一种潜在的特征,可通过不同采样算法和数值逼近求解出来.而对于网络动态时间特性,借助于隐马尔可夫模型来建模不同时间步上的影响力传播过程.在数据集DBLP和Digg上的一系列链接预测、偏好预测和运行时间评测等实验,证明了所提InfoIBP模型能够更准确地建模潜在的影响力传播过程,更有效地挖掘出社交网络中的有影响力用户及更全面地描述网络的动态时间特性,并能对未来的观测数据做出相对精准的预测.