發(fā)布時(shí)間：2021-10-29 11:43

　　隨著計(jì)算機(jī)技術(shù)和人工智能的發(fā)展,數(shù)據(jù)爆炸是當(dāng)代最熱門的問(wèn)題之一。在超高維數(shù)據(jù)中,數(shù)據(jù)的樣本量大幅增長(zhǎng),此時(shí)只有少數(shù)的協(xié)變量與響應(yīng)變量有關(guān)聯(lián),模型呈現(xiàn)稀疏性特征且模型參數(shù)的解釋性較差。統(tǒng)計(jì)人員面臨著識(shí)別最重要特征的任務(wù),并構(gòu)建最優(yōu)解釋模型,將這些重要特征與響應(yīng)變量聯(lián)系起來(lái)。從超高維數(shù)據(jù)中提取有用的特征是對(duì)超高維數(shù)據(jù)建模的基礎(chǔ)。因?yàn)榇藭r(shí)模型呈現(xiàn)稀疏性,所以對(duì)超高維數(shù)據(jù)進(jìn)行任何精確分析之前,重要的是刪除最明顯的非影響特性特征。由于維數(shù)過(guò)高,許多傳統(tǒng)的建模方法和高維數(shù)據(jù)變量選擇方法不適用于超高維數(shù)據(jù)分析。近年來(lái),為了這個(gè)目標(biāo),數(shù)學(xué)家已經(jīng)開發(fā)了一些算法。比較可行的策略是建立一個(gè)兩階段特征選擇過(guò)程,第一階段使用快捷高效變量篩選過(guò)程將特征維度降低到樣本量之下的合適規(guī)模,并且能夠保留所有的重要特征,在此基礎(chǔ)上再使用一些有效的方法對(duì)降維后的高維數(shù)據(jù)進(jìn)行重要變量選擇。論文中提出了一種超高維數(shù)據(jù)特征選擇方法,基于復(fù)合分位數(shù)模型提出了稀疏性限制的復(fù)合分位數(shù)估計(jì)模型來(lái)實(shí)現(xiàn)超高維數(shù)據(jù)特征選擇第一階段過(guò)程,將特征維度降低到樣本量之下的合適規(guī)模。與此同時(shí)引入MM算法和IHT迭代硬閥值算法對(duì)稀疏性限制復(fù)合分位數(shù)估計(jì)模型... 

【文章來(lái)源】：上海師范大學(xué)上海市

【文章頁(yè)數(shù)】：46 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景
    1.2 研究?jī)?nèi)容
    1.3 論文創(chuàng)新點(diǎn)
    1.4 論文的結(jié)構(gòu)安排
第2章 建立模型與特征選擇
    2.1 復(fù)合分位數(shù)回歸模型
    2.2 模型的建立
    2.3 特征選擇
第3章 模型求解
    3.1 模型優(yōu)化
    3.2 模型求解
第4章 基于SRCE-PLM的選擇過(guò)程
第5章 數(shù)值模擬
    5.1 參數(shù)值設(shè)置
    5.2 模擬過(guò)程
    5.3 模型評(píng)價(jià)指標(biāo)
    5.4 模擬結(jié)果分析
        5.4.1 特征不相關(guān)模擬過(guò)程
        5.4.2 特征自相關(guān)模擬
        5.4.3 特征全相關(guān)模擬
    5.5 真實(shí)模擬例子
第6章 總結(jié)與展望
    6.1 結(jié)論
    6.2 論文進(jìn)一步研究方向
參考文獻(xiàn)
附錄
致謝


【參考文獻(xiàn)】：
期刊論文
[1]部分線性單指標(biāo)模型的復(fù)合分位數(shù)回歸及變量選擇[J]. 呂亞召,張日權(quán),趙為華,劉吉彩.  中國(guó)科學(xué):數(shù)學(xué). 2014(12)
[2]基于MM算法的LAD回歸的影響分析[J]. 徐亮,周影輝,韋博成.  高校應(yīng)用數(shù)學(xué)學(xué)報(bào)A輯. 2007(01)

碩士論文
[1]超高維稀疏線性變換模型的獨(dú)立性篩選[D]. 王靖迪.江蘇師范大學(xué) 2017



本文編號(hào)：3464589