發(fā)布時間：2024-04-14 15:25

　　近年來,關(guān)于挖掘潛在的組合調(diào)控模塊的研究得到了廣泛的關(guān)注和發(fā)展。這主要得益于組合調(diào)控模塊的研究在一定程度上可以揭示特征之間的內(nèi)在組合調(diào)控機制�，F(xiàn)在關(guān)于這方面的研究主要集中在基因組學(xué)領(lǐng)域,例如基因與基因之間、蛋白質(zhì)與基因之間的關(guān)聯(lián)研究等,這對自身功能的理解具有很大的研究價值�？紤]到目前應(yīng)用場景具有一定的局限性,本文以“產(chǎn)品設(shè)計創(chuàng)新要素分析”和“我國交通運輸科技投入與產(chǎn)出分析”為例,在多重回歸問題研究的基礎(chǔ)上,進一步挖掘系數(shù)矩陣中潛在的關(guān)聯(lián)子模塊,進而對其內(nèi)在作用機制的相似性展開研究。本文通過建立一個兩階段算法模型來識別不同特征組之間的關(guān)聯(lián)關(guān)系,即第一階段,基于響應(yīng)變量、預(yù)測變量以及預(yù)測變量組信息,利用多輸出稀疏組Lasso模型構(gòu)建系數(shù)調(diào)控矩陣;第二階段,基于該系數(shù)調(diào)控矩陣,利用凸雙向聚類模型得到“響應(yīng)變量一預(yù)測變量”全局最優(yōu)關(guān)聯(lián)子模塊。數(shù)值模擬顯示,該兩階段算法模型不僅可以借助第一階段的多輸出稀疏組Lasso模型篩選出重要的組變量及重要的組內(nèi)變量,而且可以借助第二階段的凸雙向聚類模型得到“響應(yīng)變量—預(yù)測變量”全局最優(yōu)且穩(wěn)定的關(guān)聯(lián)子模塊;實證應(yīng)用顯示,該兩階段算法模型可以挖掘出系數(shù)矩陣中潛...

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景
    1.2 研究內(nèi)容及創(chuàng)新點
    1.3 研究路線
第二章 文獻綜述
    2.1 多重回歸相關(guān)研究
    2.2 雙向聚類相關(guān)研究
    2.3 文獻評述
第三章 兩階段算法模型——MSGL-COBRA
    3.1 第一階段——多輸出稀疏組Lasso模型
        3.1.1 目標(biāo)函數(shù)
        3.1.2 可調(diào)參數(shù)選擇
        3.1.3 系數(shù)矩陣一致性度量
    3.2 第二階段——凸雙向聚類模型
        3.2.1 雙向聚類結(jié)構(gòu)特點
        3.2.2 目標(biāo)函數(shù)
        3.2.3 正則項權(quán)重選擇
        3.2.4 可調(diào)參數(shù)選擇
    3.3 本章小結(jié)
第四章 數(shù)值模擬
    4.1 雙向聚類性能度量指標(biāo)
        4.1.1 性能度量說明
        4.1.2 聚類結(jié)構(gòu)評估準(zhǔn)則
    4.2 基于棋盤式雙聚類結(jié)構(gòu)的數(shù)值模擬
        4.2.1 參數(shù)設(shè)置
        4.2.2 結(jié)果分析
    4.3 基于對角線式雙聚類結(jié)構(gòu)的數(shù)值模擬
        4.3.1 參數(shù)設(shè)置
        4.3.2 結(jié)果分析
    4.4 本章小結(jié)
第五章 實證應(yīng)用
    5.1 實證應(yīng)用——產(chǎn)品設(shè)計創(chuàng)新要素分析
        5.1.1 背景說明
        5.1.2 結(jié)果分析
    5.2 實證應(yīng)用二——我國交通運輸科技投入與產(chǎn)出分析
        5.2.1 背景說明
        5.2.2 結(jié)果分析
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
第七章 附錄
參考文獻
致謝



本文編號：3954890