Indexed by：
Abstract：
一种深度皮尔逊嵌入的维数约简方法，该方法首先构造深层皮尔逊嵌入网络，其代价函数为高维样本间的相似度矩阵与低维嵌入样本间的欧式距离矩阵中行向量的皮尔逊相关系数和；再通过随机或者无监督预训练来初始化网络参数；最后以一种保存数据局部相关结构的方式来有监督微调整个网络。本发明采用皮尔逊相关系数来衡量高维样本对的相似度矩阵与低维样本对的欧式距离矩阵中行向量的相关度，并要求它们尽可能地负相关，保证了高维空间中越大相似度的样本对在低维空间有着越小的欧式距离。本方法的创新之处在于提供一种基于深度学习和皮尔逊相关系数的维数约简方法，可广泛应用于解决机器学习领域中的可视化、分类等任务中。
Keyword：
Reprint Author's Address：
Email：
Patent Info ：
Type： 发明申请
Patent No.： CN201611211607.X
Filing Date： 2016-12-25
Publication Date： 2017-05-24
Pub. No.： CN106709869A
Applicants： 北京工业大学
Legal Status： 驳回
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 5
Affiliated Colleges：
