دانلود مقاله پیش بینی های حفظ موقعیت
تعداد کلمات فایل انگلیسی:8700 کلمه 8صفحه pdf
تعداد صفحات فایل ترجمه:10صفحه word فونت14 Arial
خلاصه
بسیاری از مشکلات در پردازش اطلاعات شامل بخشی از شکل کاهش ابعاد می شوند. در این مقاله، پیش بینی های حفظ مکان را معرفی می کنیم (LPP). اینها نقشه های پیش بینی خطی هستند که از حل شدن مشکل متغیر ناشی می شوند و به لحاظ ایده آل ساختار همسایه مجموعه داده ها را حفظ می کنند. LPP باید به عنوان یک تناوب برای آنالیز بخش اساسی (PCA) دیده شود- تکنیک خطی کلاسیک که داده ها را در طی مسیرهای واریانس حداکثر پیش بینی می کند. وقتی داده های ابعاد زیاد روی بُعد چندشکلی کوچکی قرار می گیرد که در فضایی مبهم جاسازی شده اند، پیش بینی های حفظ موقعیت با کشف تقریبهای خطی مطلوب برای کارکردهای خود از اپراتور Laplace Beltrami روی چند شکل انجام شده اند. به عنوان یک نتیجه، LPP بسیاری از خواص نمایش داده ها را از تکنیکهای خطی مثل نقشه های ویژه لاپلاسی یا جا گذاری خطی مکانی سهیم می شود. هنوز LPP خطی بوده و با بیشترین اندازه در جایی در فضای مبهم نسبت به نقاط داده های آموزشی تعریف شده است. این مسئله مثالها را روی بخشی از مجموعه های داده های اندازه شرح می دهد.
- مقدمه
فرض کنید مجموعه ای از نقاط داده ها را بردارهای واقعی بُعد ببینیم که از پراکندگی احتمالی ناشناخته ترسیم شده اند. در بسیاری از موارد فزاینده سود در ماشین آموزش و استخراج داده ها، یکی از وضعیتهایی که با آن مواجه می شویم n بسیار بزرگ است. البته، حدس می زنیم به دلیل “اندازه حقیقی” از داده هایی باشد که خیلی کوچک هستند. این مسئله روشی را هدایت می کند که به عنوان روشهای کاهش اندازه در نظر گرفته می شود که اجازه می دهد یک روش داده ها را در فضای بُعدی پایین تر نمایش دهد. در این مقاله، ما الگوریتم کاهش اندازه خطی جدید را پیشنهاد می دهیم که پیش بینی های حفظ موقعیت (LPP) نامیده می شوند. این امر نمودار مربوط به اطلاعات مجاورت مجموعه داده ها را می سازد. با استفاده از نکته لاپلاسی نمودار، پس از آن ماتریکس انتقال را محاسبه می کنیم که نقاط داده ها را برای فضای فرعی طراحی می کند. این انتقال خطی به طور ایده آل اطلاعات مجاورت مکانی را در یک مفهوم مشخص حفظ می کند. نقشه نمایش توسط الگوریتم می تواند به عنوان تقریب خطی مجزا برای نقشه ممتدی در نظر گرفته شود که در حالت عادی از هندسه چند شکلی ناشی می شود. الگوریتم جدید بهره ای از تعداد دیدگاههاست.
Abstract
Many problems in information processing involve some form of dimen- sionality reduction. In this paper, we introduce Locality Preserving Pro- jections (LPP). These are linear projective maps that arise by solving a variational problem that optimally preserves the neighborhood structure of the data set. LPP should be seen as an alternative to Principal Com- ponent Analysis (PCA) – a classical linear technique that projects the data along the directions of maximal variance. When the high dimen- sional data lies on a low dimensional manifold embedded in the ambient space, the Locality Preserving Projections are obtained by finding the optimal linear approximations to the eigenfunctions of the Laplace Bel- trami operator on the manifold. As a result, LPP shares many of the data representation properties of nonlinear techniques such as Laplacian Eigenmaps or Locally Linear Embedding. Yet LPP is linear and more crucially is defined everywhere in ambient space rather than just on the training data points. This is borne out by illustrative examples on some high dimensional data sets.
Introduction
Suppose we have a collection of data points of n-dimensional real vectors drawn from an unknown probability distribution. In increasingly many cases of interest in machine learn- ing and data mining, one is confronted with the situation where n is very large. However, there might be reason to suspect that the “intrinsic dimensionality” of the data is much lower. This leads one to consider methods of dimensionality reduction that allow one to represent the data in a lower dimensional space. In this paper, we propose a new linear dimensionality reduction algorithm, called Locality Preserving Projections (LPP). It builds a graph incorporating neighborhood information of the data set. Using the notion of the Laplacian of the graph, we then compute a trans- formation matrix which maps the data points to a subspace. This linear transformation optimally preserves local neighborhood information in a certain sense. The representation map generated by the algorithm may be viewed as a linear discrete approximation to a con- tinuous map that naturally arises from the geometry of the manifold [2]. The new algorithm is interesting from a number of perspectives
کد:2-12417
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله پیش بینی های حفظ موقعیت
تعداد کلمات فایل انگلیسی:8700 کلمه 8صفحه pdf
تعداد صفحات فایل ترجمه:10صفحه word فونت14 Arial
خلاصه
بسیاری از مشکلات در پردازش اطلاعات شامل بخشی از شکل کاهش ابعاد می شوند. در این مقاله، پیش بینی های حفظ مکان را معرفی می کنیم (LPP). اینها نقشه های پیش بینی خطی هستند که از حل شدن مشکل متغیر ناشی می شوند و به لحاظ ایده آل ساختار همسایه مجموعه داده ها را حفظ می کنند. LPP باید به عنوان یک تناوب برای آنالیز بخش اساسی (PCA) دیده شود- تکنیک خطی کلاسیک که داده ها را در طی مسیرهای واریانس حداکثر پیش بینی می کند. وقتی داده های ابعاد زیاد روی بُعد چندشکلی کوچکی قرار می گیرد که در فضایی مبهم جاسازی شده اند، پیش بینی های حفظ موقعیت با کشف تقریبهای خطی مطلوب برای کارکردهای خود از اپراتور Laplace Beltrami روی چند شکل انجام شده اند. به عنوان یک نتیجه، LPP بسیاری از خواص نمایش داده ها را از تکنیکهای خطی مثل نقشه های ویژه لاپلاسی یا جا گذاری خطی مکانی سهیم می شود. هنوز LPP خطی بوده و با بیشترین اندازه در جایی در فضای مبهم نسبت به نقاط داده های آموزشی تعریف شده است. این مسئله مثالها را روی بخشی از مجموعه های داده های اندازه شرح می دهد.
فرض کنید مجموعه ای از نقاط داده ها را بردارهای واقعی بُعد ببینیم که از پراکندگی احتمالی ناشناخته ترسیم شده اند. در بسیاری از موارد فزاینده سود در ماشین آموزش و استخراج داده ها، یکی از وضعیتهایی که با آن مواجه می شویم n بسیار بزرگ است. البته، حدس می زنیم به دلیل “اندازه حقیقی” از داده هایی باشد که خیلی کوچک هستند. این مسئله روشی را هدایت می کند که به عنوان روشهای کاهش اندازه در نظر گرفته می شود که اجازه می دهد یک روش داده ها را در فضای بُعدی پایین تر نمایش دهد. در این مقاله، ما الگوریتم کاهش اندازه خطی جدید را پیشنهاد می دهیم که پیش بینی های حفظ موقعیت (LPP) نامیده می شوند. این امر نمودار مربوط به اطلاعات مجاورت مجموعه داده ها را می سازد. با استفاده از نکته لاپلاسی نمودار، پس از آن ماتریکس انتقال را محاسبه می کنیم که نقاط داده ها را برای فضای فرعی طراحی می کند. این انتقال خطی به طور ایده آل اطلاعات مجاورت مکانی را در یک مفهوم مشخص حفظ می کند. نقشه نمایش توسط الگوریتم می تواند به عنوان تقریب خطی مجزا برای نقشه ممتدی در نظر گرفته شود که در حالت عادی از هندسه چند شکلی ناشی می شود. الگوریتم جدید بهره ای از تعداد دیدگاههاست.
Abstract
Many problems in information processing involve some form of dimen- sionality reduction. In this paper, we introduce Locality Preserving Pro- jections (LPP). These are linear projective maps that arise by solving a variational problem that optimally preserves the neighborhood structure of the data set. LPP should be seen as an alternative to Principal Com- ponent Analysis (PCA) – a classical linear technique that projects the data along the directions of maximal variance. When the high dimen- sional data lies on a low dimensional manifold embedded in the ambient space, the Locality Preserving Projections are obtained by finding the optimal linear approximations to the eigenfunctions of the Laplace Bel- trami operator on the manifold. As a result, LPP shares many of the data representation properties of nonlinear techniques such as Laplacian Eigenmaps or Locally Linear Embedding. Yet LPP is linear and more crucially is defined everywhere in ambient space rather than just on the training data points. This is borne out by illustrative examples on some high dimensional data sets.
Introduction
Suppose we have a collection of data points of n-dimensional real vectors drawn from an unknown probability distribution. In increasingly many cases of interest in machine learn- ing and data mining, one is confronted with the situation where n is very large. However, there might be reason to suspect that the “intrinsic dimensionality” of the data is much lower. This leads one to consider methods of dimensionality reduction that allow one to represent the data in a lower dimensional space. In this paper, we propose a new linear dimensionality reduction algorithm, called Locality Preserving Projections (LPP). It builds a graph incorporating neighborhood information of the data set. Using the notion of the Laplacian of the graph, we then compute a trans- formation matrix which maps the data points to a subspace. This linear transformation optimally preserves local neighborhood information in a certain sense. The representation map generated by the algorithm may be viewed as a linear discrete approximation to a con- tinuous map that naturally arises from the geometry of the manifold [2]. The new algorithm is interesting from a number of perspectives
کد:2-12417
دانلود رایگان فایل انگلیسی:
رمز فایل:www.downloadmaghaleh.com