CN117576493A - 一种大样本数据的云存储压缩方法及系统 - Google Patents

一种大样本数据的云存储压缩方法及系统 Download PDF

Info

Publication number
CN117576493A
CN117576493A CN202410061223.2A CN202410061223A CN117576493A CN 117576493 A CN117576493 A CN 117576493A CN 202410061223 A CN202410061223 A CN 202410061223A CN 117576493 A CN117576493 A CN 117576493A
Authority
CN
China
Prior art keywords
compression
matrix
cluster
sample
matrix set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410061223.2A
Other languages
English (en)
Other versions
CN117576493B (zh
Inventor
明炬
杨峰
朱雨珺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Mingyangda Data Technology Co ltd
Original Assignee
Wuhan Mingyangda Data Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Mingyangda Data Technology Co ltd filed Critical Wuhan Mingyangda Data Technology Co ltd
Priority to CN202410061223.2A priority Critical patent/CN117576493B/zh
Publication of CN117576493A publication Critical patent/CN117576493A/zh
Application granted granted Critical
Publication of CN117576493B publication Critical patent/CN117576493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

本发明提供一种大样本数据的云存储压缩方法，包括：S1：获取样本图像的图像数据，通过图像数据构建样本矩阵集合；S2：对样本矩阵集合进行聚类操作，获得多个聚类簇；S3：对各聚类簇进行数据压缩，获得第一压缩矩阵集合和第二压缩矩阵集合；S4：通过第一压缩矩阵集合和第二压缩矩阵集合，获取样本图像的图像信息。本发明通过聚类簇构造低秩矩阵集合，包括第一压缩矩阵集合和第二压缩矩阵集合，第一压缩矩阵集合和第二压缩矩阵集合在保持原样本矩阵的诸多性质的同时，减少冗余和噪声，同时能快速高效地近似系数矩阵，以克服维数灾难，降低数据的存储空间和计算复杂度，节约了空间与时间成本。

Description

一种大样本数据的云存储压缩方法及系统
技术领域
本发明涉及图像信息压缩领域，尤其涉及一种大样本数据的云存储压缩方法及系统。
背景技术
近年来，降维问题在模式识别、信息检索、机器学习等领域引发了大量关注，其本质是探究如何在损失较少信息的同时获得更低维的、紧凑的数据表达。主流的数据降维与压缩技术是基于奇异值分解（SVD）的矩阵低秩近似算法，包括二维主成分分析算法（2DPCA）、广义低秩矩阵近似算法（GLRAM）等，通过类SVD的矩阵近似格式获得更低的存储需求。然而，在高维数据的应用上，由于处理大型矩阵的时间和空间复杂性，2DPCA算法与GLRAM算法仍然面临实际计算的限制。现有的矩阵近似格式难以获得较低的重构误差，这将导致误分类率提高。同时2DPCA算法与GLRAM算法仍具有很高的计算复杂度，需要极大的计算成本与计算时间。
发明内容
为解决上述技术问题，本发明提供一种大样本数据的云存储压缩方法，包括：
S1：获取样本图像的图像数据，通过图像数据构建样本矩阵集合；
S2：对样本矩阵集合进行聚类操作，获得多个聚类簇；
S3：对各聚类簇进行数据压缩，获得第一压缩矩阵集合和第二压缩矩阵集合；
S4：通过第一压缩矩阵集合和第二压缩矩阵集合，获取样本图像的图像信息。
优选的，步骤S2具体为：
S21：在样本矩阵集合中选取L个样本矩阵作为当前聚类中心，每个当前聚类中心对应一个聚类簇；
S22：计算样本矩阵集合中各样本矩阵与当前聚类中心之间的Frobenius范数；
S23：将各样本矩阵放入Frobenius范数最小的聚类簇中；
S24：将两个当前聚类中心的均值作为新的聚类中心，计算获得新的聚类中心与当前聚类中心之间的Frobenius范数；
S25：令新的聚类中心作为当前聚类中心；
S26：重复步骤S22-S25，直至新的聚类中心与当前聚类中心之间的Frobenius范数小于预设值，获得L个聚类簇。
优选的，步骤S3具体为：
S31：获取L个聚类簇，设置第一压缩矩阵和第二压缩矩阵的矩阵维数K；其中，l为聚类簇的编号，L为聚类簇的总数，Ml为聚类簇l包含样本矩阵的数量，i为样本矩阵的编号；
S32：提取第l个聚类簇，计算获得聚类簇/>的广义特征矩阵/>；
S33：计算获得矩阵的K个特征值，获得各特征值对应的特征向量，通过K个特征向量构建聚类簇/>的第一压缩矩阵/>；
S34：通过第一压缩矩阵和聚类簇/>，计算获得聚类簇/>中第i个样本矩阵的第二压缩矩阵/>；
S35：重复步骤S34共Ml次，获得聚类簇的所有第二压缩矩阵；
S36：重复步骤S32-S35共L次，获得所有聚类簇的第一压缩矩阵和第二压缩矩阵，由所有的第一压缩矩阵构建第一压缩矩阵集合，由所有的第二压缩矩阵构建第二压缩矩阵集合。
优选的：
矩阵维数K的计算公式为：
其中，为数据压缩率，N为原矩阵维数，/>表示/>与N相乘后向上取整。
优选的：
广义特征矩阵的计算公式为：
其中，T为转置符号。
优选的：
第二压缩矩阵的计算公式为：
其中，T为转置符号，。
一种存储设备，所述存储设备存储指令及数据用于实现所述的大样本数据的云存储压缩方法。
一种大样本数据的云存储压缩系统，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的大样本数据的云存储压缩方法。
本发明具有以下有益效果：
通过对样本矩阵集合进行聚类操作，获得多个聚类簇；通过聚类簇构造低秩矩阵集合，包括第一压缩矩阵集合和第二压缩矩阵集合，第一压缩矩阵集合和第二压缩矩阵集合在保持原样本矩阵的诸多性质的同时，减少冗余和噪声，同时能快速高效地近似系数矩阵，以克服维数灾难，降低数据的存储空间和计算复杂度，节约了空间与时间成本。
附图说明
图1为本发明实施例方法流程图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本发明提供一种大样本数据的云存储压缩方法，包括：
S1：获取样本图像的图像数据，通过图像数据构建样本矩阵集合；
S2：对样本矩阵集合进行聚类操作，获得多个聚类簇；
S3：对各聚类簇进行数据压缩，获得第一压缩矩阵集合和第二压缩矩阵集合；
S4：通过第一压缩矩阵集合和第二压缩矩阵集合，获取样本图像的图像信息。
进一步的，步骤S2具体为：
S21：在样本矩阵集合中选取L个样本矩阵作为当前聚类中心，每个当前聚类中心对应一个聚类簇；
具体的，给定M个N×N维矩阵A1，A2，...，AM，设置聚类数L；聚类中心变化阈值tol；矩阵压缩率；
S22：计算样本矩阵集合中各样本矩阵与当前聚类中心之间的Frobenius范数；
具体的，Frobenius范数定义为：
其中，为样本矩阵与当前聚类中心之间的Frobenius范数，auv为样本矩阵与当前聚类中心相减获得的矩阵中的元素；
S23：将各样本矩阵放入Frobenius范数最小的聚类簇中；
S24：将两个当前聚类中心的均值作为新的聚类中心，计算获得新的聚类中心与当前聚类中心之间的Frobenius范数；
S25：令新的聚类中心作为当前聚类中心；
S26：重复步骤S22-S25，直至新的聚类中心与当前聚类中心之间的Frobenius范数小于预设值，获得L个聚类簇。
进一步的，面对庞大的数据量，通常采用矩阵的降维技术；降维的本质是在信息损失很少的情况下，获得矩阵较低维的数据表示形式；在本发明中，我们将图像信息转换为一种稀疏表示形式，构造低秩矩阵；在保持原矩阵的诸多性质的同时，减少冗余和噪声，同时能快速高效地近似系数矩阵，以克服维数灾难，降低数据的存储空间和计算复杂度，节约了空间与时间成本；
步骤S3具体为：
S31：获取L个聚类簇，设置第一压缩矩阵和第二压缩矩阵的矩阵维数K；其中，l为聚类簇的编号，L为聚类簇的总数，Ml为聚类簇l包含样本矩阵的数量，i为样本矩阵的编号；
S32：提取第l个聚类簇，计算获得聚类簇/>的广义特征矩阵/>；
S33：计算获得矩阵的K个特征值，获得各特征值对应的特征向量，通过K个特征向量构建聚类簇/>的第一压缩矩阵/>；
S34：通过第一压缩矩阵和聚类簇/>，计算获得聚类簇/>中第i个样本矩阵的第二压缩矩阵/>；
S35：重复步骤S34共Ml次，获得聚类簇的所有第二压缩矩阵；
S36：重复步骤S32-S35共L次，获得所有聚类簇的第一压缩矩阵和第二压缩矩阵，由所有的第一压缩矩阵构建第一压缩矩阵集合，由所有的第二压缩矩阵构建第二压缩矩阵集合。
具体的，在矩阵压缩的过程中，针对某一聚类簇的第一压缩矩阵始终保持不变，迭代计算获得该聚类簇中各样本矩阵的第二压缩矩阵，最终通过第一压缩矩阵集合和第二压缩矩阵集合获得图像信息。
进一步的：
矩阵维数K的计算公式为：
其中，为数据压缩率，N为原矩阵维数，/>表示/>与N相乘后向上取整。
进一步的：
广义特征矩阵的计算公式为：
其中，T为转置符号。
进一步的：
第二压缩矩阵的计算公式为：
其中，T为转置符号，。
一种存储设备，所述存储设备存储指令及数据用于实现所述的大样本数据的云存储压缩方法。
一种大样本数据的云存储压缩系统，包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的大样本数据的云存储压缩方法。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种大样本数据的云存储压缩方法，其特征在于，包括：
S1：获取样本图像的图像数据，通过图像数据构建样本矩阵集合；
S2：对样本矩阵集合进行聚类操作，获得多个聚类簇；
S3：对各聚类簇进行数据压缩，获得第一压缩矩阵集合和第二压缩矩阵集合；
S4：通过第一压缩矩阵集合和第二压缩矩阵集合，获取样本图像的图像信息；
步骤S3具体为：
S31：获取L个聚类簇，设置第一压缩矩阵和第二压缩矩阵的矩阵维数K；其中，l为聚类簇的编号，L为聚类簇的总数，Ml为聚类簇l包含样本矩阵的数量，i为样本矩阵的编号；
S32：提取第l个聚类簇，计算获得聚类簇/>的广义特征矩阵/>；
S33：计算获得矩阵的K个特征值，获得各特征值对应的特征向量，通过K个特征向量构建聚类簇/>的第一压缩矩阵/>；
S34：通过第一压缩矩阵和聚类簇/>，计算获得聚类簇/>中第i个样本矩阵的第二压缩矩阵/>；
S35：重复步骤S34共Ml次，获得聚类簇的所有第二压缩矩阵；
S36：重复步骤S32-S35共L次，获得所有聚类簇的第一压缩矩阵和第二压缩矩阵，由所有的第一压缩矩阵构建第一压缩矩阵集合，由所有的第二压缩矩阵构建第二压缩矩阵集合。
2.根据权利要求1所述的大样本数据的云存储压缩方法，其特征在于，步骤S2具体为：
S21：在样本矩阵集合中选取L个样本矩阵作为当前聚类中心，每个当前聚类中心对应一个聚类簇；
S22：计算样本矩阵集合中各样本矩阵与当前聚类中心之间的Frobenius范数；
S23：将各样本矩阵放入Frobenius范数最小的聚类簇中；
S24：将两个当前聚类中心的均值作为新的聚类中心，计算获得新的聚类中心与当前聚类中心之间的Frobenius范数；
S25：令新的聚类中心作为当前聚类中心；
S26：重复步骤S22-S25，直至新的聚类中心与当前聚类中心之间的Frobenius范数小于预设值，获得L个聚类簇。
3.根据权利要求1所述的大样本数据的云存储压缩方法，其特征在于：
矩阵维数K的计算公式为：
其中，为数据压缩率，N为原矩阵维数，/>表示/>与N相乘后向上取整。
4.根据权利要求1所述的大样本数据的云存储压缩方法，其特征在于：
广义特征矩阵的计算公式为：
其中，T为转置符号。
5.根据权利要求1所述的大样本数据的云存储压缩方法，其特征在于：
第二压缩矩阵的计算公式为：
其中，T为转置符号，。
6.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1~5任一项所述的大样本数据的云存储压缩方法。
7.一种大样本数据的云存储压缩系统，其特征在于：包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1~5任一项所述的大样本数据的云存储压缩方法。
CN202410061223.2A 2024-01-16 2024-01-16 一种大样本数据的云存储压缩方法及系统 Active CN117576493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410061223.2A CN117576493B (zh) 2024-01-16 2024-01-16 一种大样本数据的云存储压缩方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410061223.2A CN117576493B (zh) 2024-01-16 2024-01-16 一种大样本数据的云存储压缩方法及系统

Publications (2)

Publication Number Publication Date
CN117576493A true CN117576493A (zh) 2024-02-20
CN117576493B CN117576493B (zh) 2024-04-02

Family

ID=89886716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410061223.2A Active CN117576493B (zh) 2024-01-16 2024-01-16 一种大样本数据的云存储压缩方法及系统

Country Status (1)

Country Link
CN (1) CN117576493B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090324064A1 (en) * 2006-08-02 2009-12-31 Japan Science And Technology Agency Image feature extraction method and image compression method
CN101853239A (zh) * 2010-05-06 2010-10-06 复旦大学 一种用于聚类的基于非负矩阵分解的降维方法
CN102004917A (zh) * 2010-12-17 2011-04-06 南方医科大学 一种图像边缘近邻描述特征算子的提取方法
US20120251013A1 (en) * 2011-03-31 2012-10-04 Fatih Porikli Method for Compressing Textured Images
CN104469374A (zh) * 2014-12-24 2015-03-25 广东省电信规划设计院有限公司 图像压缩方法
CN105574534A (zh) * 2015-12-17 2016-05-11 西安电子科技大学 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
CN106331719A (zh) * 2016-09-28 2017-01-11 武汉大学 一种基于k‑l变换误差空间拆分的图像数据压缩方法
CN111191719A (zh) * 2019-12-27 2020-05-22 北京工业大学 一种基于自表示和图谱约束的非负矩阵分解的图像聚类方法
CN111191698A (zh) * 2019-12-22 2020-05-22 中国人民解放军陆军工程大学 基于非负矩阵分解和模糊c均值的聚类方法
CN111400528A (zh) * 2020-03-16 2020-07-10 南方科技大学 一种图像压缩方法、装置、服务器及存储介质
CN112613583A (zh) * 2021-01-05 2021-04-06 广东工业大学 一种针对低频噪声人脸图像的高频信息提取聚类方法
WO2021082426A1 (zh) * 2019-10-29 2021-05-06 平安科技（深圳）有限公司 人脸聚类方法、装置、计算机设备及存储介质
WO2022178977A1 (zh) * 2021-02-26 2022-09-01 西北工业大学 一种基于自适应近邻图嵌入的无监督数据降维方法
CN115035988A (zh) * 2022-08-15 2022-09-09 武汉明炀大数据科技有限公司 基于云计算的医学影像处理方法、系统、设备及介质
CN116471412A (zh) * 2023-04-13 2023-07-21 盐城工学院 一种基于密度聚类的自适应图像压缩方法及系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090324064A1 (en) * 2006-08-02 2009-12-31 Japan Science And Technology Agency Image feature extraction method and image compression method
CN101853239A (zh) * 2010-05-06 2010-10-06 复旦大学 一种用于聚类的基于非负矩阵分解的降维方法
CN102004917A (zh) * 2010-12-17 2011-04-06 南方医科大学 一种图像边缘近邻描述特征算子的提取方法
US20120251013A1 (en) * 2011-03-31 2012-10-04 Fatih Porikli Method for Compressing Textured Images
CN104469374A (zh) * 2014-12-24 2015-03-25 广东省电信规划设计院有限公司 图像压缩方法
CN105574534A (zh) * 2015-12-17 2016-05-11 西安电子科技大学 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
CN106331719A (zh) * 2016-09-28 2017-01-11 武汉大学 一种基于k‑l变换误差空间拆分的图像数据压缩方法
WO2021082426A1 (zh) * 2019-10-29 2021-05-06 平安科技（深圳）有限公司 人脸聚类方法、装置、计算机设备及存储介质
CN111191698A (zh) * 2019-12-22 2020-05-22 中国人民解放军陆军工程大学 基于非负矩阵分解和模糊c均值的聚类方法
CN111191719A (zh) * 2019-12-27 2020-05-22 北京工业大学 一种基于自表示和图谱约束的非负矩阵分解的图像聚类方法
CN111400528A (zh) * 2020-03-16 2020-07-10 南方科技大学 一种图像压缩方法、装置、服务器及存储介质
CN112613583A (zh) * 2021-01-05 2021-04-06 广东工业大学 一种针对低频噪声人脸图像的高频信息提取聚类方法
WO2022178977A1 (zh) * 2021-02-26 2022-09-01 西北工业大学 一种基于自适应近邻图嵌入的无监督数据降维方法
CN115035988A (zh) * 2022-08-15 2022-09-09 武汉明炀大数据科技有限公司 基于云计算的医学影像处理方法、系统、设备及介质
CN116471412A (zh) * 2023-04-13 2023-07-21 盐城工学院 一种基于密度聚类的自适应图像压缩方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王俊;杨茹;程显生;: "基于机器学习的云存储数据分段聚类方法仿真", 计算机仿真, no. 06, 15 June 2020 (2020-06-15) *

Also Published As

Publication number Publication date
CN117576493B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
Chan et al. Parametric generation of conditional geological realizations using generative neural networks
Torkkola Feature extraction by non-parametric mutual information maximization
Lee et al. Unsupervised image classification, segmentation, and enhancement using ICA mixture models
US11221990B2 (en) Ultra-high compression of images based on deep learning
Wei et al. Compact MQDF classifiers using sparse coding for handwritten Chinese character recognition
US20240202982A1 (en) 3d point cloud encoding and decoding method, compression method and device based on graph dictionary learning
CN110717519A (zh) 训练、特征提取、分类方法、设备及存储介质
CN109002794A (zh) 一种非线性非负矩阵分解人脸识别构建方法、系统及存储介质
Seo et al. Self-organizing maps and clustering methods for matrix data
CN114821251B (zh) 一种点云上采样网络的确定方法及确定装置
Atashgahi et al. Quick and robust feature selection: the strength of energy-efficient sparse training for autoencoders
Tsai et al. Dimensionality reduction techniques for data exploration
CN117576493B (zh) 一种大样本数据的云存储压缩方法及系统
Kolbeinsson et al. Robust deep networks with randomized tensor regression layers
Mehrbani et al. Low‐rank isomap algorithm
US20200081936A1 (en) Method for processing electronic data
CN114677545A (zh) 一种基于相似性剪枝和高效模块的轻量化图像分类方法
CN114282676A (zh) 基于量子算法的交易网络拉普拉斯特征映射方法
Cai et al. Semi-supervised regression using spectral techniques
Elamparuthi Implementation of a hybrid color image compression technique using principal component analysis and discrete tchebichef transform
CN111783615A (zh) 基于加权块张量稀疏图映射的非约束人脸识别方法
CN112215034A (zh) 一种基于矩阵分解和Gabor特征的鲁棒表示与分类的遮挡人脸识别方法
US20240249123A1 (en) System and Method for Low-Rank Tensor Decomposition with Neural Network Priors
Kolbeinsson et al. Stochastically rank-regularized tensor regression networks
CN117951595B (zh) 生物数据分类方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant