基于张量模型的多因素影响程度分析方法

doi:10.3778/j.issn.1002-8331.1608-0323

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (17): 94-100.DOI: 10.3778/j.issn.1002-8331.1608-0323

基于张量模型的多因素影响程度分析方法

王卿云1，2，李红燕1，2，洪申达1，2

1.北京大学机器感知与智能教育部重点实验室，北京 100871
2.北京大学信息科学技术学院，北京 100871

出版日期:2017-09-01 发布日期:2017-09-12

Multi factors influencing degree analysis method based on tensor model

WANG Qingyun1，2, LI Hongyan1，2, HONG Shenda1，2

1.Key Laboratory of Machine Perception, Ministry of Education, Peking University, Beijing 100871, China
2.School of Electronics Engineering and Computer Science, Peking University, Beijing 100871, China

Online:2017-09-01 Published:2017-09-12

摘要/Abstract

摘要： 影响程度分析分为独立影响程度分析和联合影响程度分析。传统的影响程度分析方法难以兼顾二者，并且在分析的过程中受困于影响因素数目过多以及因素之间复共线性的干扰。部分方法甚至难以应对大规模数据集，这些问题无疑阻碍了方法分析准确率的提升以及广泛应用。于是基于此提出了基于张量分解与重建的多因素影响程度分析方法（MAT），消除了影响因素之间的复共线性，全面而准确地分析了单一因素的独立影响程度和多因素的联合影响程度。通过在真实大规模移动通信数据集上的实验，验证了MAT方法的有效性和准确性。

关键词: 影响因素, 影响程度分析, 预处理, 张量分解与重建

Abstract: The influencing degree analysis can be divided into independent influencing degree analysis and the combined influencing degree analysis. The traditional influencing degree analysis method is difficult to take the two into account, and is trapped in the number of influencing factors and multicollinearity between factors. Some methods even cannot be applied to large scale data sets, which undoubtedly hinder the improvement of the accuracy of the analysis and the wide application of the methods. So it proposes the Multi factors influencing degree Analysis method based on Tensor decomposition and reconstruction（MAT）, which eliminates the multicollinearity between factors, and realizes the analysis of independent and combined influencing degree at the same time. The experiments on the real large scale mobile communication data set have showed the validity and accuracy of the MAT.

Key words: influencing factors, influencing degree analysis, preprocessing, tensor decomposition and reconstruction

王卿云1，2，李红燕1，2，洪申达1，2. 基于张量模型的多因素影响程度分析方法[J]. 计算机工程与应用, 2017, 53(17): 94-100.

WANG Qingyun1，2, LI Hongyan1，2, HONG Shenda1，2. Multi factors influencing degree analysis method based on tensor model[J]. Computer Engineering and Applications, 2017, 53(17): 94-100.

[1]	孙爽，陈燕，朴在吉，张金松. 轨迹数据的时空模式挖掘与管理决策研究综述[J]. 计算机工程与应用, 2021, 57(16): 16-26.
[2]	成立明，陈建新，陈瑞，陈志敏. 融合自监督单目图像深度估计的视觉里程计[J]. 计算机工程与应用, 2021, 57(15): 230-236.
[3]	彭小红，梁子祥，张军，陈荣发. 深度学习驱动的水下图像预处理研究进展综述[J]. 计算机工程与应用, 2021, 57(13): 43-54.
[4]	李道全，王雪，于波，黄泰铭. 基于一维卷积神经网络的网络流量分类方法[J]. 计算机工程与应用, 2020, 56(3): 94-99.
[5]	余同瑞，金冉，韩晓臻，李家辉，郁婷. 自然语言处理预训练模型的研究综述[J]. 计算机工程与应用, 2020, 56(23): 12-22.
[6]	刘俊涛，王素娟，林晓明，刘祚时，谭俭辉，宋丹. 结合FCM聚类和边缘感知模型的眼底渗出物检测[J]. 计算机工程与应用, 2020, 56(11): 192-199.
[7]	晁静静，沈文忠，宋天舒. 基于HOG和SVM的双眼虹膜图像的人眼定位算法[J]. 计算机工程与应用, 2019, 55(9): 184-189.
[8]	吕伟，宋文爱，富丽贞，许文. 大规模图数据边受限制的最短距离查询算法[J]. 计算机工程与应用, 2019, 55(7): 71-81.
[9]	姜道银1，2，葛洪伟1，2，袁罗1. 一种动态划分的混合连续域蚁群优化算法[J]. 计算机工程与应用, 2018, 54(7): 144-151.
[10]	王锦盛1，熊邦书1，莫燕1，黄建萍2，李新民2，赵平均3. 基于随机森林的直升机飞行状态识别方法[J]. 计算机工程与应用, 2017, 53(17): 149-152.
[11]	陈迪，代艳君，王志锋. 论坛主题挖掘研究综述[J]. 计算机工程与应用, 2017, 53(16): 36-44.
[12]	李衡1，赵毅强2，杨瑞霞1，何家骥2，李跃辉2，杨松2. 基于小波降噪数据预处理的硬件木马检测优化[J]. 计算机工程与应用, 2017, 53(1): 49-53.
[13]	杨莉1，吴贵芳1，孙秀明2. 基于多尺度曲波变换的路面裂缝融合算法[J]. 计算机工程与应用, 2016, 52(6): 182-185.
[14]	孙红敏，姜楠楠，李想. 基于文档集的生物信息挖掘模型研究[J]. 计算机工程与应用, 2016, 52(24): 102-106.
[15]	孙蕾. 求解大型非对称稀疏线性方程组的FIMinpert算法[J]. 计算机工程与应用, 2016, 52(21): 63-67.

基于张量模型的多因素影响程度分析方法

Multi factors influencing degree analysis method based on tensor model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics