發(fā)布時間：2021-06-29 09:30

　　大數(shù)據(jù)中的海量樣本、大規(guī)模類別和高維特征為機器學(xué)習(xí)帶來了豐富的信息。類別之間還往往呈現(xiàn)出復(fù)雜的結(jié)構(gòu)關(guān)系、不可避免存在的噪聲數(shù)據(jù)也降低了數(shù)據(jù)的質(zhì)量和可用性。這些數(shù)據(jù)特點給傳統(tǒng)機器學(xué)習(xí)的特征降維方法和模型帶來了嚴(yán)峻挑戰(zhàn):（1）大量的特征引起了維度災(zāi)難問題;（2）復(fù)雜的類別層次結(jié)構(gòu)破壞了傳統(tǒng)特征降維方法對類別相互獨立的假設(shè);（3）低質(zhì)量數(shù)據(jù)破壞了傳統(tǒng)特征降維方法對數(shù)據(jù)正確性的基本假設(shè),這導(dǎo)致傳統(tǒng)降維方法處理大規(guī)模的分類任務(wù)時表現(xiàn)不好,甚至不適用。本文針對類別具有層次結(jié)構(gòu)、數(shù)據(jù)質(zhì)量低的分類任務(wù),充分挖掘和利用類別的層次結(jié)構(gòu)信息,設(shè)計噪聲過濾機制,進(jìn)行基于類別相關(guān)性的魯棒分層特征降維方法研究,主要包括以下三個研究內(nèi)容:1)基基于類別離散度的分層特征提取。針對傳統(tǒng)特征提取方法忽略了類別間復(fù)雜層次關(guān)系、所提特征容易導(dǎo)致重大分類錯誤的問題,采用“分而治之”策略,以類別結(jié)點為單位分解分層分類任務(wù),再對不同粒度的任務(wù)分別定義類間離散度矩陣、類內(nèi)離散度矩陣,最終根據(jù)判別分析思想提出一種基于類別離散度的分層特征提取方法。2)基基于類別相似關(guān)系約束的魯棒分層特征選擇。針對傳統(tǒng)特征選擇方法忽略類別間關(guān)系、大多特征... 

【文章來源】：閩南師范大學(xué)福建省

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 扁平特征降維方法的研究現(xiàn)狀
        1.2.2 分層特征降維方法的研究現(xiàn)狀
    1.3 主要研究內(nèi)容和組織結(jié)構(gòu)
第2章 背景知識
    2.1 類別的層次結(jié)構(gòu)
    2.2 分層分類
    2.3 評價指標(biāo)
    2.4 符號定義
第3章 基于類別離散度的分層特征提取
    3.1 基于類別離散度的分層特征提取模型
    3.2 基于類別離散度的分層特征提取模型的優(yōu)化求解
    3.3 實驗設(shè)置
        3.3.1 實驗環(huán)境
        3.3.2 實驗數(shù)據(jù)
        3.3.3 對比方法
        3.3.4 參數(shù)設(shè)置
    3.4 實驗分析
        3.4.1 分類效果對比
        3.4.2 時間效率對比
    3.5 本章小結(jié)
第4章 基于類別相似關(guān)系約束的魯棒分層特征選擇
    4.1 類別相似關(guān)系約束下的魯棒分層特征選擇模型
    4.2 類別相似關(guān)系約束下魯棒分層特征選擇模型的優(yōu)化求解
    4.3 實驗設(shè)置
        4.3.1 實驗環(huán)境
        4.3.2 實驗數(shù)據(jù)
        4.3.3 對比方法
        4.3.4 參數(shù)設(shè)置
    4.4 實驗分析
        4.4.1 分類效果對比
        4.4.2 時間效率對比
        4.4.3 不同約束項的作用
        4.4.4 收斂性分析
    4.5 本章小結(jié)
第5章 基于類別中心泛化約束的魯棒分層特征選擇
    5.1 類別中心泛化約束下的魯棒分層特征選擇模型
    5.2 類別中心泛化約束下魯棒分層特征選擇模型的優(yōu)化求解
    5.3 實驗設(shè)置
        5.3.1 實驗環(huán)境
        5.3.2 實驗數(shù)據(jù)
        5.3.3 對比方法
        5.3.4 參數(shù)設(shè)置
    5.4 實驗分析
        5.4.1 分類效果對比
        5.4.2 時間效率對比
        5.4.3 不同約束項的作用
        5.4.4 參數(shù)敏感性分析
        5.4.5 收斂性分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 未來工作
參考文獻(xiàn)
致謝
發(fā)表論文和參加科研情況說明


【參考文獻(xiàn)】：
期刊論文
[1]基于差別矩陣和mRMR的分步優(yōu)化特征選擇算法[J]. 樊鑫,陳紅梅.  計算機科學(xué). 2020(01)
[2]知識與數(shù)據(jù)雙向驅(qū)動的多粒度認(rèn)知計算[J]. 王國胤,李帥,楊潔.  西北大學(xué)學(xué)報(自然科學(xué)版). 2018(04)
[3]大規(guī)模分類任務(wù)的分層學(xué)習(xí)方法綜述[J]. 胡清華,王煜,周玉燦,趙紅,錢宇華,梁吉業(yè).  中國科學(xué):信息科學(xué). 2018(05)
[4]結(jié)構(gòu)化稀疏線性判別分析[J]. 崔振,山世光,陳熙霖.  計算機研究與發(fā)展. 2014(10)
[5]層次分類方法綜述[J]. 陸彥婷,陸建峰,楊靜宇.  模式識別與人工智能. 2013(12)



本文編號：3256197