基于梯度下降和自适应学习的高维生物数据降维可视化方法研究

声明

摘要

第一章 绪论

1．1 课题研究意义

1．2 论文的主要创新工作

1．3 本文的组织结构

第二章 高维数据降维可视化算法

2．1 非线性数据降维可视化方法

2．2 基于流形学习的数据降维可视化

2．2．1 等度量映射算法(Isomap)

2．2．2 局部线性嵌入算法(LLE)

2．3 保持局部和全局特性的非线性数据降维可视化

2．3．2 多重映射图随机邻接嵌入算法

2．3．3 基于拉普拉斯正则化的多重映射图随机邻接嵌入算法

2．4 高维数据降维可视化评价

2．4．2 错误率

2．5 高维数据集

2．5．1 词相关性数据集

2．5．2 合著者数据集

2．5．4 微生物数据集

2．6 本章小结

第三章 基于Nesterov动量的mm-tSNE正则化算法

3．1 基于梯度的优化算法

3．1．1 随机梯度下降算法

3．1．2 标准动量算法

3．1．3 Nesterov动量算法

3．2 基于Nesterov动量的mm-tSNE正则化的高维可视化算法

3．3 实验结果与分析

3．4 本章小结

第四章 基于NM-RMSProp策略的mm-tSNE正则化算法

4．1 自适应学习率算法

4．2 AdaGrad算法

4．3 RMSProp算法

4．4 基于NM-RMSProp策略的mm-tSNE正则化算法

4．5 实验结果与分析

4．6 本章小结

第五章 总结与展望

5．1 主要贡献和创新点

5．2 研究展望

参考文献

致谢

攻读硕士学位期间的主要研究成果