1、“.....是变换的坐标矩阵,是特征值,是降维的结果。通过更改维数每组的数据量做了系列实验,然后得到聚类的率。表聚类率数据量为降维率统计表不同维数率数据量为不同维数率我采用和改进相同的方法改进了实验,通过对比图表可以看出降维的结果和降维的整体趋势是相同的,细节上的率整体比的高,因此我更倾向于,这也验证了前辈们总结的非线性降维比线性降维效果要好。补充点,前面系列的实验采用的都是硬聚类算法,我直猜想这个会不会对实验结果有影响,因此我又准备做采用模糊均值的聚类方法,但是实验完成以后,遇到了个难题,直无法计算出结果的率,就搁浅了,本期望可以得到点有用的结论,但结果显示的图形和完全不同,可比较性不大。图模糊均值实验模糊均值的实验中,输入对象是矩阵,表示个样本,每个样本具有的维特征值......”。

2、“.....表示聚合中心数目,即类别数,是矩阵,表示隶属度矩阵的指数,缺省值表示最大迭代次数缺省值表示隶属度最小变化量,迭代终止条件缺省值表示每次迭代是否输出信息标志缺省值。输出对象是聚类中心是隶属度矩阵是目标函数值。限于计算机配置仅完成了两组实验,如下图所示图仅包含组数据图包含组,每组个数据模糊聚类的实验结果和硬聚类的结果显示方式不同,从图少时,数据是很分散的在图,数据增加到每组个的时候,数据明显收敛。这组实验只是为了和的实验做对比,从对比中我们可以得到这样的结论,即我们需要大量数据,这样提取到的特征才更丰富,识别的精度自然就上去了,但这样有个缺点就是会耗费大量的内存,速度自然就降下来了,这就验证了前面说的精度和速度是两个相互矛盾的个体......”。

3、“.....第章介绍聚类的主要方法第章介绍基于的手写体数字的聚类研究及改进之处,通过实验进行分析第章总结本文的研究方法,指出基于流形学习算法数字聚类存在的不足之处,并对以后的研究进行展望。第章流形学习的基本原理流形学习基本原理流形学习方法,简称流形学习,自从年在著名的科学杂志上被提出以来,已被广泛认可及应用,不论在理论还是应用上都具有重要的研究意义,因此成为了相关领域的研究热点。对于个从高维欧氏空间低维流形中均匀采样到的数据,恢复其低维流形结构即在高维空间中找到低维流形便是流形学习,同时求出对应的映射关系实现数据可视化,。流形学习是由事物的表象追求其内在本质的过程。手写数字聚类的国内外发展和现状如今国内外学者在手写体数字方面的研究重点是脱机手写数字识别......”。

4、“.....方面是识别的精度,精度意味着它能不能担当重任,像在金融这样需要高度安全的领域没有精度那就没有可谈的余地另方面是识别的速度,但速度和精度是相互矛盾的,所以给研究者带来了难题。美国已经建立了适合自己国人书写习惯的数字数据库,里面包含万个标注样本,我认为我国也急需建立个自己的数据库,个适合我国书写习惯的数字库作为我们国家的个国家标准域。手写设备的研究目前已有很大的进展,有很多产品已应用在生活中,鉴于阿拉伯数字是全球通用的字符,应用前景非常广阔,所以世界各国都投入了大量的人力和财力研究数字识别。当然,各个国家的书写习惯和文化氛围不同,还有国家发展实力的差异,带来的研究成果自然也是各有千秋。数字因其结构简单......”。

5、“.....在过去十多年的研究中各国研究者提出了多种识别方法,尤以国外的研究成果见长,提出的细化算法就让图像特征的提取和冗余信息的压缩技术都有了质的飞跃,本课题采用的流形学习近年来也得到越来越多的关注和重视,通过和现有的成熟技术相结合,在图像处理数字识别形态分析语音处理方面都取得了很好的成果,和算法在数字识别方向的研究贡献,算法,等提出的方法都推动了数字识别的进步发展,但也有很多地方需要更多的完善,例如在流形学习中对于不连续的流形降维问题原始数据本征维数的估计噪声的分析等目前都还未能很好的解决。手写体包含许多无法预测的变化,灵活性太高,他人的字体我们有时尚且无法识别,因此我们不能要求系统做到百分之百的准确率,只能在通常情况下做到更高的识别效果。当然......”。

6、“.....本文的主要内容第章简单阐述了手写数字聚类技术研究的现状及意义。基于的手写体数字聚类研究。大致流程如下初始化所有像素点值与随机选取每个的中心点,初始化每个像素点对应的模糊值并计算计算对象值计算每个的颜色值,产生新的图像像素计算每个像素的对应每个的模糊值,更新每个像素的再次计算对象值,并与第步的对象值相减,如果差值小于或者达到最大循环数,停止计算输出结果图像,否则继续。第章基于的手写体聚类原理描述即主成分分析是线性降维方法,全称是,在图像处理中是比较流行的降维方法,在处理数字图像方面的问题时,比如在个几百万甚至更大的图像数据库中查询幅相近图像的图像查询问题,通常需要对图像库中的图片提取响应特征,包括基本的颜色,纹理或者相对复杂的等特征......”。

7、“.....最后提取要查询的目标图像的特征,与数据库中的图像进行特征对比,得到最相近的图片。为了提高查询的准确率,通常会提取些较为复杂的特征,如,等,图像包含很多特征点,且每个特征点又由维的特征向量组成,对于幅有个特征点图像,包含维的特征向量,在存储量很大的数据库中建立数据索引会耗费大量的时间,这个时候采用对向量进行降维处理,从维降维到维,就会大大提高索引效率。对于个矩阵,首先要求出样本矩阵的协方差矩阵,求出的特征向量,以及特征值,最后将数据映射到特征向量空间中,从而把数据的特征凸显出来,而数据的空间则压缩掉,达到降维的目的。聚类实验流程图数字聚类识别过程整个实验的流程是先采集数据,然后对采集到的数据进行预处理前加载到内存中然后合成数据并进行类型转换......”。

8、“.....设定降维参数后降维,这步为预处理最后提取特征值,根据每个样本点对应的特征,识别出特征最相近的样本,按类分组,每组就是个聚类。最后计算聚类结果的率。分析实验所得数据,提出改进方法。开始我收集了大量的手写体数字,为实合成数据数据类型转换计算样本点间的距离设定参数降维画图显示聚类验做准备,下面是其中的些手写数字图片图提取的手写数字样本本章详细介绍实验过程,通过不同方法对比介绍基于技术的降维以及技术的降维,并进行仿真实验,实验中对比不同维数和近邻参数的差别,得出手写数字聚类正确率最优的方法。降维实验介绍降维实验仿真实验平台采用软件,提取了个数据组,每个数据组有个数据,降维函数的调用格式为,其中,是近邻参数,第组实验中我把近邻参数设为......”。

9、“.....这里实验名称代表我采用的是降维方法,每个数据组的大小为,实验的结果通过绘图显示出来如下图从图中可以看得出来,数据的聚类效果是显而易见的,不同颜色代表不同的数据,不同颜色分布在不同的位置,层次分明,偶见个别颜色较分散,相同颜色的标志越集中说明这类别的聚类效果好,换到表面上来说就是同个数字识别准确率高而相同颜色比较分散的则说明聚类效果差,也就是说对于个随机样本数字到,其中的个数字,识别出来的数量远不到。由于是维的图形,我们现在看到的角度标志都重叠,不便于分析,我们换个视角,可以从空间上观察数据的分布结构。手写数字聚类的国内外发展和现状如今国内外学者在手写体数字方面的研究重点是脱机手写数字识别,有两个大方面的问题暂时还没解决,方面是识别的精度......”。