發(fā)布時(shí)間：2024-01-23 16:18

　　高維數(shù)據(jù)的處理一直是機(jī)器學(xué)習(xí)領(lǐng)域的熱點(diǎn)問題。由于直接對(duì)高維數(shù)據(jù)進(jìn)行處理會(huì)面臨“維數(shù)災(zāi)難”、“算法失效”等問題,因此學(xué)者們針對(duì)這些問題提出了一系列有效的特征學(xué)習(xí)方法,但這些方法在復(fù)雜、高度非線性及多特征等場(chǎng)景下仍然存在各種問題,如何充分利用原有特征信息,實(shí)現(xiàn)高維特征的約簡(jiǎn)及融合仍然是一個(gè)十分具有挑戰(zhàn)性的問題。為了降低高維數(shù)據(jù)的維度并且保留數(shù)據(jù)的有效特征,本文從特征學(xué)習(xí)的不同維度出發(fā),開展了單特征多投影組合特征提取、多特征集成嵌入流形學(xué)習(xí)的特征融合以及組合核函數(shù)集成特征融合的研究,主要研究?jī)?nèi)容分為以下幾個(gè)方面:1為了充分利用高維數(shù)據(jù)的全局信息,提出了一種基于有序回歸核判別分析方法的多投影向量組合特征提取方法�？紤]不同類的分布信息,利用類的序列信息進(jìn)行有序回歸,克服了現(xiàn)有有序回歸算法中存在的忽略全局信息和高計(jì)算復(fù)雜度等缺陷。首先,通過正交空間遞歸得到投影向量,并在所得投影向量的正交子空間中搜索最優(yōu)投影向量。其次,采用不同的組合策略將投影向量的決策規(guī)則進(jìn)行組合,從而形成最終的決策方式,這使得該算法能夠利用更多的原始信息提取出更有效的特征。通過與其它算法在有序回歸實(shí)驗(yàn)上的多項(xiàng)指標(biāo)進(jìn)行對(duì)比,充分驗(yàn)...

【文章頁(yè)數(shù)】：122 頁(yè)

【學(xué)位級(jí)別】：博士

圖１．２特征提取示意圖??Ｆｉｇ．１．２?Ｆｅａｔｕｒｅ?ｅｘｔｒａｃｔｉｏｎ?ｄｉａｇｒａｍ??

圖２．１半監(jiān)督學(xué)習(xí)??Ｆｉ．２．１?Ｓｅｍｉ?ｓｕｅｒｖｉｓｅｄ?ｌｅａｒｎｉｎ

圖２．２生成模型算法的流程圖??Ｆｉｇ．２．２?Ｇｅｎｅｒａｔｅ?ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｍｏｄｅｌ?ａｌｇｏｒｉｔｈｍ??

圖２．３自訓(xùn)練算法??－

本文編號(hào)：3882974