本文關(guān)鍵詞：多標(biāo)簽特征選擇的兩種算法研究　出處：《閩南師范大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 多標(biāo)簽學(xué)習(xí) 特征選擇 非負(fù)矩陣分解 特征流形 L_(2 1)-范數(shù)

【摘要】：區(qū)別于傳統(tǒng)的監(jiān)督學(xué)習(xí)中每個(gè)樣本只屬于一個(gè)類別標(biāo)簽的學(xué)習(xí)框架,多標(biāo)簽學(xué)習(xí)中的一個(gè)樣本同時(shí)標(biāo)注為多個(gè)類別標(biāo)簽的學(xué)習(xí)框架能夠更有效地分析現(xiàn)實(shí)世界中所存在的問題。多標(biāo)簽學(xué)習(xí)是一個(gè)具有挑戰(zhàn)性的研究課題,來源于文本分類中所遇到的多義性問題。近十幾年來,吸引了越來越多的研究人員的興趣,并應(yīng)用到很多新的領(lǐng)域,如生物信息學(xué)、多媒體自動(dòng)標(biāo)注以及情感分類等。學(xué)者們已經(jīng)提出了一系列多標(biāo)簽分類算法,然而高維數(shù)據(jù)中的大量不相關(guān)、冗余的特征導(dǎo)致了分類器性能的降低。因此,特征選擇作為一種高效的數(shù)據(jù)降維技術(shù),在多標(biāo)簽學(xué)習(xí)中可以起到關(guān)鍵的作用。目前,針對(duì)多標(biāo)簽學(xué)習(xí)的特征選擇問題的研究相對(duì)較少。為此,本文圍繞該問題,將非負(fù)矩陣分解和流形學(xué)習(xí)技術(shù)應(yīng)用到多標(biāo)簽學(xué)習(xí)中,提出了兩種多標(biāo)簽特征選擇算法。主要研究工作如下:1.提出了一種基于非負(fù)稀疏表示的多標(biāo)簽特征選擇算法。首先,我們引入子空間學(xué)習(xí)用于多標(biāo)簽特征選擇,并在矩陣分解過程中對(duì)指示矩陣加以非負(fù)和稀疏約束。然后,我們?cè)O(shè)計(jì)一種高效的矩陣更新迭代算法,用以求解矩陣的非負(fù)約束和2,1L-范數(shù)最小優(yōu)化的融合問題。最后,實(shí)驗(yàn)結(jié)果表明了該算法在多標(biāo)簽數(shù)據(jù)集上有著較優(yōu)的特征選擇性能。2.提出了一種基于特征流形和稀疏正則化的多標(biāo)簽特征選擇算法。首先,我們利用最小二乘回歸模型把多標(biāo)簽特征選擇形式化成一個(gè)帶有正則項(xiàng)的矩陣分解問題,用回歸系數(shù)矩陣評(píng)估特征重要度。然后,我們將特征流形和稀疏約束嵌入到優(yōu)化問題框架中,試圖獲得平滑的、行稀疏的回歸系數(shù)矩陣。最后,我們?cè)O(shè)計(jì)出一種高效的矩陣更新迭代算法來求解優(yōu)化問題,并用實(shí)驗(yàn)驗(yàn)證了所提出的算法的有效性。
[Abstract]:Different from the traditional supervised learning, each sample belongs to a learning framework with only one category label. A learning framework in which a sample is labeled as a multi-class label in multi-label learning can more effectively analyze the problems in the real world. Multi-label learning is a challenging research topic. In recent years, it has attracted more and more researchers' interest and applied to many new fields, such as bioinformatics. Researchers have proposed a series of multi-label classification algorithms, but a large number of irrelevant data in high-dimensional data, redundant features lead to the performance of classifier degradation. Feature selection, as an efficient data dimensionality reduction technique, can play a key role in multi-label learning. At present, there are few researches on feature selection for multi-label learning. In this paper, the nonnegative matrix decomposition and manifold learning techniques are applied to multi-label learning. Two multi-label feature selection algorithms are proposed. The main research work is as follows: 1. A multi-label feature selection algorithm based on non-negative sparse representation is proposed. We introduce subspace learning for multi-label feature selection and apply nonnegative and sparse constraints to the indicator matrix during matrix decomposition. Then we design an efficient matrix update iterative algorithm. It is used to solve the fusion problem of nonnegative constraints of matrix and minimum optimization of 2L L norm. Finally. Experimental results show that the algorithm has better feature selection performance on multi-label datasets. 2. A multi-label feature selection algorithm based on feature manifold and sparse regularization is proposed. We formalize multi-label feature selection into a matrix decomposition problem with regular terms by using least square regression model and evaluate feature importance by regression coefficient matrix. We embed eigenmanifold and sparse constraints into the framework of the optimization problem, trying to obtain a smooth, row sparse regression coefficient matrix. Finally. An efficient matrix update iterative algorithm is designed to solve the optimization problem. The effectiveness of the proposed algorithm is verified by experiments.
【學(xué)位授予單位】：閩南師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐蓉;姜峰;姚鴻勛;;流形學(xué)習(xí)概述[J];智能系統(tǒng)學(xué)報(bào);2006年01期

2 王自強(qiáng);錢旭;孔敏;;流形學(xué)習(xí)算法綜述[J];計(jì)算機(jī)工程與應(yīng)用;2008年35期

3 鄭偉;王朝坤;劉璋;王建民;;一種基于隨機(jī)游走模型的多標(biāo)簽分類算法[J];計(jì)算機(jī)學(xué)報(bào);2010年08期

4 李思男;李寧;李戰(zhàn)懷;;多標(biāo)簽數(shù)據(jù)挖掘技術(shù):研究綜述[J];計(jì)算機(jī)科學(xué);2013年04期

5 段潔;胡清華;張靈均;錢宇華;李德玉;;基于鄰域粗糙集的多標(biāo)記分類特征選擇算法[J];計(jì)算機(jī)研究與發(fā)展;2015年01期

6 李志欣;卓亞琦;張燦龍;周生明;;多標(biāo)記學(xué)習(xí)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2014年06期

7 余鷹;;多標(biāo)記學(xué)習(xí)研究綜述[J];計(jì)算機(jī)工程與應(yīng)用;2015年17期

8 Fei-Yue Wang;Xiao Wang;Lingxi Li;Li Li;;Steps toward Parallel Intelligence[J];IEEE/CAA Journal of Automatica Sinica;2016年04期

9 Fei-Yue Wang;Jun Jason Zhang;Xinhu Zheng;Xiao Wang;Yong Yuan;Xiaoxiao Dai;Jie Zhang;Liuqing Yang;;Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J];IEEE/CAA Journal of Automatica Sinica;2016年02期

10 Fei-Yue Wang;;Control 5.0: From Newton to Merton in Popper's Cyber-Social-Physical Spaces[J];IEEE/CAA Journal of Automatica Sinica;2016年03期

相關(guān)博士學(xué)位論文 前3條

1 王石平;粗糙擬陣及其在高維數(shù)據(jù)降維中的應(yīng)用研究[D];電子科技大學(xué);2014年

2 劉華文;基于信息熵的特征選擇算法研究[D];吉林大學(xué);2010年

3 譚璐;高維數(shù)據(jù)的降維理論及應(yīng)用[D];國防科學(xué)技術(shù)大學(xué);2005年

相關(guān)碩士學(xué)位論文 前1條

1 蔡亞萍;結(jié)合標(biāo)記相關(guān)性的多標(biāo)記特征選擇及分類算法研究[D];南京師范大學(xué);2016年

，

本文編號(hào)：1429693