本文選題：特征選擇 + 半監(jiān)督學(xué)習(xí)��； 參考：《西北大學(xué)》2017年碩士論文

【摘要】：特征選擇是機(jī)器學(xué)習(xí)領(lǐng)域中一個(gè)重要的研究課題,是解決高維數(shù)據(jù)“維數(shù)災(zāi)難”的有效手段,在計(jì)算機(jī)視覺、生物信息學(xué)等科學(xué)領(lǐng)域中有著廣泛的應(yīng)用。因此,對(duì)特征選擇算法的研究有著重要的研究意義和應(yīng)用價(jià)值。近年來,隨著數(shù)據(jù)規(guī)模和維度的爆炸式增長(zhǎng),半監(jiān)督和無監(jiān)督特征選擇逐漸成為特征選擇的熱點(diǎn)問題,這是因?yàn)榘氡O(jiān)督和無監(jiān)督特征選擇算法能夠保證學(xué)習(xí)模型的泛化性能,并降低標(biāo)注成本。本文圍繞半監(jiān)督和無監(jiān)督特征選擇算法展開研究,其目的在于提高半監(jiān)督特征選擇的分類準(zhǔn)確率和降低無監(jiān)督特征選擇的時(shí)間復(fù)雜度。本文研究工作主要包括以下幾個(gè)方面:(1)學(xué)習(xí)和研究了基于稀疏表示的特征選擇算法、基于流形正則化的半監(jiān)督學(xué)習(xí)方法和大規(guī)模數(shù)據(jù)的錨節(jié)點(diǎn)構(gòu)圖;(2)在基于稀疏范數(shù)的半監(jiān)督特征選擇算法上提出了一種基于l_(2,1)范數(shù)和l_(G1)范數(shù)的多視角數(shù)據(jù)特征選擇算法,選擇出對(duì)類別有區(qū)分力的單個(gè)特征和視角。實(shí)驗(yàn)結(jié)果表明本文所提出算法可以在多視角數(shù)據(jù)特征選擇上取得較好的分類效果;(3)結(jié)合錨節(jié)點(diǎn)構(gòu)圖,將特征投影矩陣約束為特征選擇矩陣,減少了特征選擇過程中的時(shí)間復(fù)雜度。實(shí)驗(yàn)結(jié)果表明了本文所提出算法在降低復(fù)雜度上的有效性。
[Abstract]:Feature selection is an important research topic in the field of machine learning and an effective means to solve the "dimensionality disaster" of high-dimensional data. It is widely used in computer vision, bioinformatics and other scientific fields. Therefore, the study of feature selection algorithm has important significance and application value. In recent years, with the explosive growth of data scale and dimension, semi-supervised and unsupervised feature selection has gradually become a hot issue in feature selection, because semi-supervised and unsupervised feature selection algorithms can guarantee the generalization performance of learning model. And reduce the marking cost. This paper focuses on semi-supervised and unsupervised feature selection algorithms, the purpose of which is to improve the classification accuracy of semi-supervised feature selection and reduce the time complexity of unsupervised feature selection. This paper mainly includes the following aspects: (1) the feature selection algorithm based on sparse representation is studied. Semi-supervised learning method based on manifold regularization and anchor node composition of large-scale data. (2) A multi-view data feature selection algorithm based on L _ (2N) norm and l _ (G1) norm is proposed based on sparse norm based semi-supervised feature selection algorithm. Select a single feature and perspective that distinguishes categories. The experimental results show that the proposed algorithm can achieve a good classification effect on multi-view data feature selection. (3) combining with the anchor node composition, the feature projection matrix is constrained as the feature selection matrix. The time complexity of feature selection is reduced. Experimental results show that the proposed algorithm is effective in reducing complexity.
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP181

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 李云,葉春曉,李季,劉嘉敏,吳中福;基于特征關(guān)聯(lián)性的特征選擇算法研究[J];微型機(jī)與應(yīng)用;2004年06期

2 卜華龍;夏靜;韓俊波;;特征選擇算法綜述及進(jìn)展研究[J];巢湖學(xué)院學(xué)報(bào);2008年06期

3 王博;賈焰;田李;;基于類標(biāo)號(hào)擴(kuò)展的半監(jiān)督特征選擇算法[J];計(jì)算機(jī)科學(xué);2009年10期

4 陳紅;郭躬德;;一種新的雙重融合的半監(jiān)督特征選擇算法[J];小型微型計(jì)算機(jī)系統(tǒng);2010年08期

5 張曉光;孫正;徐桂云;阮殿旭;;一種類內(nèi)方差與相關(guān)度結(jié)合的特征選擇算法[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2011年03期

6 陳建華;王治和;蔣蕓;許虎寅;樊東輝;;一種改進(jìn)的文本分類特征選擇算法[J];微電子學(xué)與計(jì)算機(jī);2011年12期

7 郭磊;王亞弟;陳庶樵;朱珂;伊鵬;;一種改進(jìn)的動(dòng)態(tài)流特征選擇算法[J];計(jì)算機(jī)工程與應(yīng)用;2012年18期

8 代琨;于宏毅;馬學(xué)剛;李青;;基于支持向量機(jī)的特征選擇算法綜述[J];信息工程大學(xué)學(xué)報(bào);2014年01期

9 毛勇;周曉波;夏錚;尹征;孫優(yōu)賢;;特征選擇算法研究綜述[J];模式識(shí)別與人工智能;2007年02期

10 任雙橋;傅耀文;黎湘;莊釗文;;基于分類間隔的特征選擇算法[J];軟件學(xué)報(bào);2008年04期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前5條

1 甄超;鄭濤;許潔萍;;音樂流派分類中特征選擇算法研究[A];第18屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2009）、第5屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2009）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2009）論文集[C];2009年

2 張仰森;曹元大;;最大熵建模方法中一種改進(jìn)的特征選擇算法[A];NCIRCS2004第一屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2004年

3 張錚;胡社教;江萍;;基于EP模式的特征選擇算法[A];2011中國(guó)儀器儀表與測(cè)控技術(shù)大會(huì)論文集[C];2011年

4 周炎濤;唐劍波;王家琴;;基于信息熵的改進(jìn)TFIDF特征選擇算法[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

5 李文法;段m#毅;劉悅;孫春來;;一種面向流分類的特征選擇算法[A];第四屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前9條

1 王劍橋;基于局部特性的毫米波距離像識(shí)別方法研究[D];南京理工大學(xué);2014年

2 李云;特征選擇算法及其在基于內(nèi)容圖像檢索中的應(yīng)用研究[D];重慶大學(xué);2005年

3 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

4 張靖;面向高維小樣本數(shù)據(jù)的分類特征選擇算法研究[D];合肥工業(yè)大學(xué);2014年

5 潘巍巍;故障嚴(yán)重程度識(shí)別的有序分類特征分析方法[D];哈爾濱工業(yè)大學(xué);2013年

6 張嘉偉;心電圖形態(tài)特征的識(shí)別及其在分類中的作用研究[D];華東師范大學(xué);2011年

7 李狀;基于無監(jiān)督學(xué)習(xí)的風(fēng)電機(jī)組傳動(dòng)鏈智能故障診斷方法研究[D];華北電力大學(xué)(北京);2016年

8 錢利強(qiáng);無監(jiān)督學(xué)習(xí)框架下學(xué)習(xí)分類器系統(tǒng)聚類與主干網(wǎng)提取方法研究[D];蘇州大學(xué);2016年

9 李岸達(dá);基于特征選擇算法的復(fù)雜產(chǎn)品關(guān)鍵質(zhì)量特性識(shí)別研究[D];天津大學(xué);2016年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 徐嬌;基于Hadoop的文本特征選擇算法的研究[D];蘭州大學(xué);2015年

2 朱艷玲;基于聚類的多層特征選擇算法的研究與應(yīng)用[D];鄭州輕工業(yè)學(xué)院;2015年

3 周p，

本文編號(hào)：2062264