計(jì)算機(jī)技術(shù)的飛速發(fā)展使得我們所獲得的信息呈現(xiàn)爆炸式的增長(zhǎng),有調(diào)查顯示,人類近半個(gè)世紀(jì)以來獲得的數(shù)據(jù)量是以往漫長(zhǎng)人類歷史上獲得數(shù)據(jù)的總和,我們正處在大數(shù)據(jù)的包圍之中。這些數(shù)據(jù)通常都是高維的,數(shù)據(jù)維度的膨脹為后續(xù)的計(jì)算任務(wù)帶來了巨大的負(fù)擔(dān),將會(huì)導(dǎo)致維數(shù)災(zāi)難。為了有效地從這些數(shù)據(jù)中獲得有價(jià)值的信息,特征選擇和數(shù)據(jù)降維等一系列機(jī)器學(xué)習(xí)算法便應(yīng)運(yùn)而生,并且逐漸成為研究熱點(diǎn)之一。數(shù)據(jù)降維方法的基本思路:在輸入空間中對(duì)樣本數(shù)據(jù)進(jìn)行某種變換操作,將高維樣本數(shù)據(jù)映射到低維空間中,最終在低維度空間得到關(guān)于原數(shù)據(jù)空間的低維表示。目前,數(shù)據(jù)降維已成為機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、人工智能以及計(jì)算機(jī)視覺中的重要方法。本文在ReliefF特征選擇算法的基礎(chǔ)上,融合了兩種不同的數(shù)據(jù)降維算法和子模優(yōu)化的性質(zhì),研究了基于特征選擇的數(shù)據(jù)降維算法在文本和圖像特征選取中的應(yīng)用。本論文研究的主要內(nèi)容和創(chuàng)新點(diǎn):（1）提出了基于PCA-ICA和ReliefF相結(jié)合的用于人臉圖像特征選取的方法�？紤]到PCA算法不能保留人臉圖像的高階信息的缺點(diǎn),本文在對(duì)人臉圖像處理中,先使用ReliefF算法進(jìn)行最優(yōu)特征子集選擇,經(jīng)過PCA降維,再應(yīng)用ICA對(duì)... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 數(shù)據(jù)降維的含義
        1.2.1 降維技術(shù)概述
        1.2.2 降維算法分類
        1.2.3 降維中的特征選擇
    1.3 本文研究的內(nèi)容和組織結(jié)構(gòu)
第二章 特征選擇和數(shù)據(jù)降維算法
    2.1 特征選擇的概念
        2.1.1 特征選擇的概述
        2.1.2 特征的相關(guān)性
    2.2 特征選擇算法
        2.2.1 過濾法(Filter Methods)
        2.2.2 封裝法(Wrapper Methods)
        2.2.3 嵌入法(Embedded Methods)
    2.3 數(shù)據(jù)降維算法
        2.3.1 主成分分析(PCA)
        2.3.2 獨(dú)立成分分析(ICA)
    2.4 本章小結(jié)
第三章 基于改進(jìn)的特征選擇算法的圖像特征提取
    3.1 引言
    3.2 PCA和ICA在人臉圖像分類中的應(yīng)用
    3.3 ReliefF特征選擇算法
    3.4 系統(tǒng)組成
        3.4.1 基于PCA-ICA改進(jìn)的特征選擇算法
        3.4.2 SVM分類器
    3.5 實(shí)驗(yàn)與分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.5.2 實(shí)驗(yàn)結(jié)果及分析
    3.6 本章小結(jié)
第四章 基于子模優(yōu)化的文本特征選取
    4.1 引言
    4.2 子模函數(shù)
        4.2.1 子模函數(shù)的定義
        4.2.2 子模函數(shù)的優(yōu)化
    4.3 文本特征提取
        4.3.1 文本特征的表示
        4.3.2 圖的鄰接矩陣
        4.3.3 子模方法的特征提取
    4.4 實(shí)驗(yàn)與分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.4.2 基于ReliefF算法的數(shù)據(jù)預(yù)處理
        4.4.3 實(shí)驗(yàn)步驟
        4.4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
攻讀碩士研究生期間參與的科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]基于最大化子模和RRWM的視頻協(xié)同分割[J]. 蘇亮亮,唐俊,梁棟,王年.  自動(dòng)化學(xué)報(bào). 2016(10)
[2]基于子模性質(zhì)的基因表達(dá)譜特征基因提取[J]. 蔣智謀,姚唐龍.  電腦知識(shí)與技術(shù). 2015(17)
[3]海量高維數(shù)據(jù)下分布式特征選擇算法的研究與應(yīng)用[J]. 陳曉明.  科技通報(bào). 2013(08)
[4]特征選擇與空間降維概述、熱點(diǎn)及展望[J]. 趙宇,黃思明,陳銳.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2013(15)
[5]基于子模式紋理分析的魯棒人臉識(shí)別研究[J]. 鄭先鋒,王麗艷,張林.  科學(xué)技術(shù)與工程. 2013(20)
[6]基于PCA與ICA的人臉識(shí)別算法研究[J]. 王展青,劉小雙,張桂林,王仲君.  華中師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2007(03)
[7]特征選擇算法研究綜述[J]. 毛勇,周曉波,夏錚,尹征,孫優(yōu)賢.  模式識(shí)別與人工智能. 2007(02)
[8]基于PCA和ICA的人臉識(shí)別[J]. 劉直芳,游志勝,王運(yùn)瓊.  激光技術(shù). 2004(01)
[9]自動(dòng)文本分類中的智能處理技術(shù)[J]. 孫晉文,肖建國(guó).  計(jì)算機(jī)科學(xué). 2003(08)

博士論文
[1]基于流形學(xué)習(xí)的數(shù)據(jù)降維方法及其在人臉識(shí)別中的應(yīng)用[D]. 王建中.東北師范大學(xué) 2010
[2]流形學(xué)習(xí)的理論與方法研究[D]. 王靖.浙江大學(xué) 2006

碩士論文
[1]基于SPM模型的圖像分類方法研究[D]. 張馳.安徽大學(xué) 2016
[2]面向詞袋模型的相似性度量方法在特征降維中的應(yīng)用[D]. 湯淵.廣東工業(yè)大學(xué) 2015
[3]基因表達(dá)譜數(shù)據(jù)挖掘的特征提取方法研究[D]. 姚唐龍.安徽大學(xué) 2015
[4]模式分類中特征選擇算法的研究[D]. 王曉宇.哈爾濱理工大學(xué) 2015
[5]數(shù)據(jù)降維算法研究及其應(yīng)用[D]. 龔鐵梁.湖北大學(xué) 2012
[6]基于SVM圖像分類方法的研究[D]. 吳小季.南京信息工程大學(xué) 2011
[7]基于多分類器組合的垃圾網(wǎng)頁的檢測(cè)[D]. 張同偉.華南理工大學(xué) 2010
[8]機(jī)器學(xué)習(xí)中的特征選擇算法研究[D]. 姜百寧.中國(guó)海洋大學(xué) 2009
[9]白細(xì)胞顯微圖像分類研究[D]. 張立偉.哈爾濱工程大學(xué) 2008
[10]基于ICA的人臉識(shí)別算法研究[D]. 尹克重.重慶大學(xué) 2006



本文編號(hào)：3385496