面向序列数据的多视图方法

第1章 绪论1 1.1 机器学习、多视图学习及多视图序列分析方法1 1.2 多视图序列数据2 1.3 多视图序列数据的应用3 1.3.1 城市交通3 1.3.2 社交媒体4 1.3.3 高铁监测4 1.3.4 智能医疗5 1.3.5 视频理解5 1.3.6 自动驾驶5 1.4 挑战与思考6 1.4.1 视图内动态6 1.4.2 多视图异构8 1.4.3 跨视图交互9 1.4.4 不完备多视图序列10 参考文献11 第2章 面向序列数据的多视图方法基础15 2.1 序列数据及其模型方法15 2.1.1 序列数据15 2.1.2 **的时间序列分析模型17 2.1.3 深度学习下的序列模型18 2.2 多视图学习概述21 2.2.1 多视图数据22 2.2.2 多视图学习24 2.3 多视图图学习方法31 2.3.1 基于自适应近邻图的多视图学习31 2.3.2 基于领域多核学习的多视图学习35 2.4 基于深度学习的多视图序列模型40 2.4.1 基于网格的多视图序列模型40 2.4.2 基于时序的多视图序列模型43 2.4.3 基于图的多视图序列模型45 参考文献48 第3章 交通预测中面向序列数据的多视图方法51 3.1 交通序列数据预测概述51 3.2 基于卷积-循环神经网络的交通预测模型53 3.2.1 交通运力预测53 3.2.2 深度灵活结构化时空模型54 3.2.3 实验结果与分析60 3.3 基于图卷积网络的交通预测模型62 3.3.1 交通流预测62 3.3.2 基于多视图的时空自适应图卷积网络63 3.3.3 实验结果与分析67 3.4 基于多任务的交通流预测模型71 3.4.1 多城市交通流预测71 3.4.2 基于多任务学习的多城市交通流量预测模型72 3.4.3 实验结果与分析80 参考文献83 第4章 社交媒体分析中面向序列数据的多视图方法86 4.1 社交媒体分析中的多视图概述86 4.2 基于多视图学习的情感分析模型88 4.2.1 方面级情感分析88 4.2.2 基于多任务多视图联合学习的方面级情感分析模型89 4.2.3 实验结果与分析98 4.3 基于自适应多模态融合的情感分析模型102 4.3.1 方面级多模态情感分析102 4.3.2 基于自适应跨模态融合的方面级情感分析模型103 4.4 基于跨模态融合的假新闻检测模型109 4.4.1 跨模态假新闻检测109 4.4.2 面向假新闻检测的跨模态实例感知模型110 4.4.3 实验结果与分析113 参考文献115 第5章 高速列车工况识别中面向序列数据的多视图方法118 5.1 高速列车工况识别概述118 5.2 基于多视图聚类集成的高速列车走行部工况识别模型120 5.2.1 多视图的构建120 5.2.2 基于多视图加权聚类集成的高速列车走行部工况识别模型121 5.2.3 实验结果与分析129 5.3 基于多视图核模糊聚类的高速列车走行部工况识别模型133 5.3.1 模糊聚类134 5.3.2 基于多视图核模糊聚类的高速列车走行部工况识别模型134 5.3.3 实验结果与分析139 5.4 基于相似度比率和深度信念网络的高速列车走行部工况识别模型144 5.4.1 深度信念网络144 5.4.2 基于相似度比率和MDBN的高速列车走行部工况识别模型145 5.4.3 实验结果与分析147 参考文献153 第6章 智能医疗疾病诊断中的多视图方法156 6.1 智能医疗疾病诊断中多视图方法概述156 6.2 基于多视图聚类的阿尔茨海默病进展预测模型157 6.2.1 一致性多视图聚类的阿尔茨海默病预测概述157 6.2.2 基于NMF的一致性多视图聚类模型158 6.2.3 实验结果与分析162 6.3 基于多视图深度学习的帕金森病筛查模型170 6.3.1 多视图深度学习的帕金森病筛查概述170 6.3.2 基于多视图深度学习的PD筛查模型171 6.3.3 实验结果与分析174 6.4 基于多视图深度学习的癫痫检测模型180 6.4.1 多视图深度学习癫痫检测概述180 6.4.2 短时傅里叶变换视图和功率谱密度视图的多视图深度学习模型180 6.4.3 实验结果与分析187 参考文献192