本文選題：集成學(xué)習(xí) + 隨機(jī)旋轉(zhuǎn)集成��； 參考：《上海理工大學(xué)學(xué)報》2017年05期

【摘要】：對隨機(jī)旋轉(zhuǎn)集成方法提出了一種針對降維問題的改進(jìn),得到了新的降維算法框架進(jìn)行隨機(jī)變換降維,可以顯著減少降維過程中造成的信息損失.采用隨機(jī)變換降維后,訓(xùn)練監(jiān)督學(xué)習(xí)算法時可以獲得更高的準(zhǔn)確率和更好的泛化性能.通過在模擬數(shù)據(jù)上進(jìn)行的實(shí)驗(yàn),證明了使用多重共線性數(shù)據(jù)進(jìn)行回歸分析時,與傳統(tǒng)降維算法相比,經(jīng)隨機(jī)變換降維處理后可以保留更多的信息,獲得更小的均方誤差.對隨機(jī)變換降維在手寫數(shù)字識別數(shù)據(jù)集上的表現(xiàn)進(jìn)行了研究,證明了與一般性的降維算法相比,隨機(jī)變換降維在圖像分類問題上可以獲得更高的準(zhǔn)確率.
[Abstract]:In this paper, a new dimensionality reduction algorithm based on random rotation ensemble is proposed, and a new dimensionality reduction algorithm is proposed, which can significantly reduce the information loss in the process of dimensionality reduction. The training supervised learning algorithm can obtain higher accuracy and better generalization performance after using random transformation to reduce the dimension. Through the experiments on simulated data, it is proved that compared with the traditional dimensionality reduction algorithm, when multiple collinear data are used in regression analysis, more information can be retained and smaller mean square error can be obtained after dimension reduction by random transformation. The performance of dimensionality reduction of random transformation on handwritten number recognition data set is studied. It is proved that compared with the general dimensionality reduction algorithm, stochastic transform can achieve higher accuracy in image classification.
【作者單位】： 上海理工大學(xué)管理學(xué)院;
【分類號】：TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳正寅;薛安榮;李明;;基于權(quán)值的局部保持半監(jiān)督降維算法[J];計算機(jī)應(yīng)用研究;2011年04期

2 劉勝藍(lán);閆德勤;;一種新的全局嵌入降維算法[J];自動化學(xué)報;2011年07期

3 張晶晶;周曉勇;劉奇;;一種改進(jìn)的大尺度高光譜流形降維算法[J];光學(xué)學(xué)報;2013年11期

4 宋德華;姚莉秀;;基于流形保持的半監(jiān)督局部排列降維算法[J];微型電腦應(yīng)用;2013年05期

5 楊格蘭;金輝霞;孟令中;朱幸輝;;基于圖的半監(jiān)督降維算法[J];計算機(jī)科學(xué);2014年04期

6 宋欣;葉世偉;;一種在源數(shù)據(jù)稀疏情況下的數(shù)據(jù)降維算法[J];計算機(jī)工程與應(yīng)用;2007年28期

7 仵博;陳鑫;鄭紅燕;馮延蓬;;基于非負(fù)矩陣分解更新規(guī)則的部分可觀察馬爾可夫決策過程信念狀態(tài)空間降維算法[J];電子與信息學(xué)報;2013年12期

8 許超,陳治綱,邵惠鶴;DMC算法中QP求解的降維算法[J];計算機(jī)工程;2002年02期

9 王穎靜;王正群;張國慶;徐偉;;流形結(jié)構(gòu)保持的傳播半監(jiān)督降維算法[J];小型微型計算機(jī)系統(tǒng);2012年11期

10 張曉斌;魏永祥;韓德民;夏寅;李希平;原林;唐雷;王興海;;數(shù)字化耳鼻咽喉數(shù)據(jù)集的采集[J];中華耳鼻咽喉頭頸外科雜志;2005年06期

相關(guān)博士學(xué)位論文 前3條

1 嚴(yán)遠(yuǎn)亭;不完整數(shù)據(jù)集的多視角集成分類研究[D];安徽大學(xué);2016年

2 史熒中;耦合的支持向量學(xué)習(xí)方法及應(yīng)用研究[D];江南大學(xué);2016年

3 雒曉卓;基于聯(lián)合稀疏和局部線性的極限學(xué)習(xí)機(jī)及應(yīng)用[D];西安電子科技大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 魏恩營;基于k近鄰多標(biāo)簽學(xué)習(xí)的數(shù)據(jù)降維算法的研究[D];閩南師范大學(xué);2016年

2 宋德華;半監(jiān)督降維算法的研究及其在醫(yī)學(xué)專家系統(tǒng)中的應(yīng)用[D];上海交通大學(xué);2013年

3 尹飛;癌癥基因數(shù)據(jù)的降維算法研究與應(yīng)用[D];蘇州大學(xué);2013年

4 張乾坤;無監(jiān)督與半監(jiān)督降維算法研究[D];西安電子科技大學(xué);2010年

5 袁銘;基于R-SMOTE方法的非平衡數(shù)據(jù)分類研究[D];河北大學(xué);2015年

6 程偉;基于半監(jiān)督SVM的非平衡學(xué)習(xí)[D];西安電子科技大學(xué);2014年

7 馬蕊;基于觸覺序列的物體分類方法[D];石家莊鐵道大學(xué);2015年

8 閆欣;綜合過采樣和欠采樣的不平衡數(shù)據(jù)集的學(xué)習(xí)研究[D];東北電力大學(xué);2016年

9 朱政;V-支持向量分類機(jī)中若干問題的研究[D];華東師范大學(xué);2016年

10 蔣偉;基于特征的軌跡數(shù)據(jù)集化簡研究[D];蘇州大學(xué);2016年

，

本文編號：2104492