高维数据空间的一种网格划分方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (5): 152-153.

• 数据库、信号与信息处理 • 上一篇下一篇

高维数据空间的一种网格划分方法

贺玲¹，蔡益朝¹，杨征²

1.空军雷达学院预警监视情报系，武汉 430019
2.国防科技大学信息系统与管理学院，长沙 410073

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-02-11 发布日期:2011-02-11

Grid-based division approach for high-dimensional data space

HE Ling¹，CAI Yichao¹，YANG Zheng²

1.Department of Early Warning Surveillance Intelligence，Air Force Radar Academy，Wuhan 430019，China
2.School of Information System and Management，National University of Defense Technology，Changsha 410073，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-02-11 Published:2011-02-11

摘要/Abstract

摘要： 在高维数据空间的子空间中对高维数据进行处理是减小甚至消除“维度灾难”的一个有效方法。为选择合理的子空间，提出了一种基于网格划分的子空间生成方法。在考虑数据集整体分布的前提下，对各维数据进行等深度的区间划分，为高维数据的后续相关处理奠定了良好的基础。

关键词: 维度灾难, 子空间, 网格划分

Abstract: In order to avoid the curse of dimensionality，it is efficient to deal with high-dimensional data in proper subspaces.This paper puts forward a new idea to form subspaces by dividing high dimensional space into grids，and each dimension is divided into depth-equal grids.The pretreatment of high dimensional data establishes necessary base for succeeding analysis.

Key words: curse of dimensionality, subspace, grid-based division

贺玲¹，蔡益朝¹，杨征². 高维数据空间的一种网格划分方法[J]. 计算机工程与应用, 2011, 47(5): 152-153.

HE Ling¹，CAI Yichao¹，YANG Zheng². Grid-based division approach for high-dimensional data space[J]. Computer Engineering and Applications, 2011, 47(5): 152-153.

[1]	桑江徽，姜海燕. 基于联合分布的多标记迁移学习[J]. 计算机工程与应用, 2021, 57(9): 154-161.
[2]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[3]	马洋，赵旭俊. 基于相关子空间的多源离群检测算法[J]. 计算机工程与应用, 2021, 57(17): 88-95.
[4]	胡文涛，陈秀宏. 基于局部保持投影的鲁棒稀疏子空间学习[J]. 计算机工程与应用, 2021, 57(10): 194-199.
[5]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.
[6]	王雨思，路德杨，李海洋. 基于分式函数约束的稀疏子空间聚类方法[J]. 计算机工程与应用, 2020, 56(7): 39-47.
[7]	王义武，杨余旺. 空间投影在K-means算法中的研究与应用[J]. 计算机工程与应用, 2020, 56(7): 200-204.
[8]	郑毅，马盈仓，杨小飞，续秋霞. 基于[k]-近邻与局部相似度的稀疏子空间聚类[J]. 计算机工程与应用, 2020, 56(4): 99-108.
[9]	金闳奇，陈新度，吴磊. 结合随机子空间和级联残差网络的缺陷检测[J]. 计算机工程与应用, 2020, 56(23): 265-269.
[10]	朱丹，陈晓红，吴卿源，李舜酩. 自适应图学习诱导的子空间聚类[J]. 计算机工程与应用, 2020, 56(21): 30-37.
[11]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[12]	郭圣，仲兆满，李存华. 基于深度自编码的多视图子空间聚类网络[J]. 计算机工程与应用, 2020, 56(17): 60-68.
[13]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[14]	李丹. 结构加权相关自适应子空间聚类[J]. 计算机工程与应用, 2020, 56(13): 137-142.
[15]	陈亮，潘海鹏，吴平，周伟. 脉冲响应模型的闭环子空间辨识方法[J]. 计算机工程与应用, 2019, 55(8): 195-200.

高维数据空间的一种网格划分方法

Grid-based division approach for high-dimensional data space

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