發(fā)布時間：2018-06-12 03:33

  本文選題：相對k子凸包分類 + 自適應(yīng)��； 參考：《數(shù)據(jù)采集與處理》2017年05期

【摘要】：k子凸包分類方法在實際問題中有廣泛應(yīng)用。但隨著問題維數(shù)的增加,該方法計算得到的凸包距離非常接近甚至相等,這嚴重影響了分類性能。針對此問題,本文設(shè)計了一種基于特征選擇的相對k子凸包分類方法。首先根據(jù)絕對凸包距離存在的不足引入相對k子凸包距離,然后在k鄰域內(nèi)利用判別正則化技術(shù)進行特征選擇,并將特征選擇融入相對k子凸包優(yōu)化模型中,為每個測試樣本在不同的類別中學(xué)習(xí)一個自適應(yīng)的特征子集,從而得到一個用于分類的有效相對k子凸包距離。實驗結(jié)果表明,該方法不僅能夠進行特征選擇,而且分類性能也有了明顯提高。
[Abstract]:K-subconvex hull classification method is widely used in practical problems. However, with the increase of the dimension of the problem, the convex hull distance calculated by this method is very close to or even equal, which seriously affects the classification performance. To solve this problem, a relative k-subconvex hull classification method based on feature selection is proposed. Firstly, the relative k-subconvex hull distance is introduced according to the deficiency of absolute convex hull distance, then the feature selection is carried out by discriminant regularization technique in the k-neighborhood, and the feature selection is incorporated into the relative k-subconvex hull optimization model. An adaptive feature subset is learned for each test sample in different categories to obtain an effective relative k-subconvex hull distance for classification. The experimental results show that this method can not only select features, but also improve the classification performance.
【作者單位】： 內(nèi)江師范學(xué)院數(shù)學(xué)與信息科學(xué)學(xué)院;數(shù)據(jù)恢復(fù)四川省重點實驗室;
【基金】：國家自然科學(xué)基金(10872085)資助項目 四川省科技廳科技計劃重點項目基金(2017JY0199)資助項目 內(nèi)江師范學(xué)院自然科學(xué)重點項目基金(12NJZ03)資助項目
【分類號】：TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 李云;;穩(wěn)定的特征選擇研究[J];微型機與應(yīng)用;2012年15期

2 錢學(xué)雙;多重篩選逐步回歸特征選擇法及其應(yīng)用[J];信息與控制;1986年05期

3 王新峰;邱靜;劉冠軍;;基于特征相關(guān)性和冗余性分析的機械故障特征選擇研究[J];中國機械工程;2006年04期

4 張葛祥;金煒東;胡來招;;滿意特征選擇及其應(yīng)用[J];控制理論與應(yīng)用;2006年01期

5 蔣盛益;王連喜;;基于特征相關(guān)性的特征選擇[J];計算機工程與應(yīng)用;2010年20期

6 張禹;劉云東;;基于相容粒的特征選擇[J];宿州學(xué)院學(xué)報;2011年02期

7 牟廉明;;k子凸包分類方法[J];山西大學(xué)學(xué)報(自然科學(xué)版);2011年03期

8 付濤;;基于特征選擇的多示例學(xué)習(xí)算法研究[J];科技通報;2013年08期

9 李麗娜;歐陽繼紅;劉大有;高文杰;;一種結(jié)合特征選擇和鏈接過濾的主動協(xié)作分類方法[J];計算機研究與發(fā)展;2013年11期

10 桑農(nóng);謝衍濤;高如新;張?zhí)煨?;神經(jīng)模糊網(wǎng)絡(luò)特征選擇[J];模式識別與人工智能;2006年06期

相關(guān)會議論文 前1條

1 萬京;王建東;;一種基于新的差異性度量的ReliefF方法[A];2009年研究生學(xué)術(shù)交流會通信與信息技術(shù)論文集[C];2009年

相關(guān)博士學(xué)位論文 前6條

1 代琨;基于支持向量機的網(wǎng)絡(luò)數(shù)據(jù)特征選擇技術(shù)研究[D];解放軍信息工程大學(xué);2013年

2 楊峻山;生物組學(xué)數(shù)據(jù)的集成特征選擇研究[D];深圳大學(xué);2017年

3 劉波;組稀疏子空間的大間隔特征選擇[D];重慶大學(xué);2013年

4 王瑞;針對類別不平衡和代價敏感分類問題的特征選擇和分類算法[D];中國科學(xué)技術(shù)大學(xué);2013年

5 姚蘭;支持向量機特征選擇中的L_p正則化方法研究[D];湖南大學(xué);2014年

6 倪彤光;基于遷移學(xué)習(xí)的特征選擇與分類方法及其應(yīng)用研究[D];江南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 周瑞;基于支持向量機特征選擇的移動通信網(wǎng)絡(luò)問題分析[D];華南理工大學(xué);2015年

2 季金勝;高分辨率遙感影像典型地物目標(biāo)的特征選擇及其穩(wěn)定性研究[D];上海交通大學(xué);2015年

3 王維智;基于特征提取和特征選擇的級聯(lián)深度學(xué)習(xí)模型研究[D];哈爾濱工業(yè)大學(xué);2015年

4 徐冬;基于特征選擇的入侵檢測方法研究[D];吉林大學(xué);2016年

5 肖麗莎;半監(jiān)督特征選擇關(guān)鍵技術(shù)研究[D];西南交通大學(xué);2016年

6 李昌;概率特征選擇分類向量機[D];中國科學(xué)技術(shù)大學(xué);2016年

7 譚蘊琨;面向稀疏數(shù)據(jù)的在線學(xué)習(xí)特征選擇方法研究[D];華南理工大學(xué);2016年

8 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

9 陳東方;復(fù)雜數(shù)據(jù)分類方法及其應(yīng)用研究[D];天津大學(xué);2014年

10 呂洋;基于腦MR影像不對稱性特征的癡呆癥早期診斷方法研究[D];重慶大學(xué);2016年

，

本文編號：2008122