本文關鍵詞：基于k近鄰多標簽學習的數(shù)據(jù)降維算法的研究

  更多相關文章： PCAI算法 距離加權 信息容忍度 MRF-mRMR算法

【摘要】：隨著“互聯(lián)網(wǎng)+”發(fā)展,與人們生活息息相關的多標簽數(shù)據(jù)將會大量產(chǎn)生。由于多標簽學習過程中需要考慮屬性特征與多個標簽、標簽之間的相關性,從而使得多標簽學習在分類和降維方面比單標簽學習更為復雜、更具挑戰(zhàn)性。自上世紀九十年代末多標簽學習的概念提出以來,吸引了眾多專家學者的關注。多標簽學習的研究成果如雨后春筍,主要集中在分類和降維兩個研究方向。數(shù)據(jù)降維是機器學習中的重要步驟,是提高數(shù)據(jù)分類性能的重要手段。本文提出了PCAI和MRF-mRMR兩種數(shù)據(jù)降維算法。PCAI算法與原有算法相比,分類效果明顯提升;MRF-mRMR算法在去除冗余屬性特征的同時還能保持屬性特征與標簽之間的相關性。本文對多標簽學習的研究可以分為兩部分。第一部分提出了基于PCA算法的PCAI數(shù)據(jù)降維算法,并利用ML-kNN分類器對數(shù)據(jù)分類。首先,提出了信息容忍度的概念,并定義了其計算公式,同時對公式中的參數(shù)取值范圍做了實驗探討;其次,得到數(shù)據(jù)降維后的特征值,并將特征值得應用到ML-kNN分類器中對距離的加權上;最后,將降維后的數(shù)據(jù)集應用到改進后的ML-kNN分類器中驗證降維效果。第二部分講述了Relief算法和mRMR算法,一方面對Relief算法中屬性特征權重的計算方式進行改進,另一方面提出了MRF-mRMR組合特征選擇算法。提出的MRF-mRMR算法既保持了mRMR算法最大相關和最小冗余的優(yōu)勢,又擁有Relief算法對每個屬性特征加權排序的優(yōu)點。實驗結(jié)果表明,MRF-mRMR組合算法的降維效果明顯優(yōu)于已有算法。綜上所述,本文提出了PCAI和MRF-mMMR兩種降維算法,并以ML-kNN為分類器驗證降維效果。實驗結(jié)果表明,數(shù)據(jù)降維效果明顯,且數(shù)據(jù)分類效果也有所提升。
【關鍵詞】：PCAI算法 距離加權 信息容忍度 MRF-mRMR算法
【學位授予單位】：閩南師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP181
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-16
• 1.1 研究背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀分析11-14
• 1.2.1 多標簽數(shù)據(jù)降維研究現(xiàn)狀12-13
• 1.2.2 多標簽數(shù)據(jù)分類研究現(xiàn)狀13-14
• 1.3 本文的主要內(nèi)容和組織結(jié)構(gòu)14-16
• 1.3.1 主要內(nèi)容14-15
• 1.3.2 組織結(jié)構(gòu)15-16
• 第2章 背景知識16-26
• 2.1 多標簽學習分類16-20
• 2.1.1 問題轉(zhuǎn)換17-19
• 2.1.2 算法改進19-20
• 2.2 維數(shù)約簡20-22
• 2.2.1 特征選擇21
• 2.2.2 特征提取21-22
• 2.3 評價指標22-23
• 2.4 本章小結(jié)23-26
• 第3章 PCAI數(shù)據(jù)降維算法的研究26-44
• 3.1 相關知識26-30
• 3.1.1 ML-kNN算法27-29
• 3.1.2 PCA算法29-30
• 3.2 PCAIML算法30-33
• 3.2.1 PCAI算法30-32
• 3.2.2 距離加權32-33
• 3.2.3 PCAIML算法偽代碼33
• 3.3 信息容忍度分析33-39
• 3.3.1 實驗數(shù)據(jù)34
• 3.3.2 比較方法及參數(shù)說明34-35
• 3.3.3 信息容忍度取值分析35-39
• 3.4 實驗數(shù)據(jù)及結(jié)果分析39-43
• 3.4.1 實驗數(shù)據(jù)及參數(shù)說明39
• 3.4.2 實驗結(jié)果分析39-43
• 3.5 本章小結(jié)43-44
• 第4章 MRF-mRMR組合特征選擇算法44-54
• 4.1 相關知識44-47
• 4.1.1 Relief特征選擇算法45-46
• 4.1.2 mRMR特征選擇算法46-47
• 4.2 MRF-mRMR組合特征選擇算法47-49
• 4.2.1 MRelief特征選擇算法47-48
• 4.2.2 MRF-mRMR特征選擇算法48-49
• 4.3 實驗結(jié)果及分析49-53
• 4.3.1 實驗數(shù)據(jù)及參數(shù)說明49-50
• 4.3.2 實驗結(jié)果分析50-53
• 4.4 本章小結(jié)53-54
• 第5章 總結(jié)與展望54-56
• 5.1 工作總結(jié)54-55
• 5.2 進一步展望55-56
• 參考文獻56-64
• 致謝64-66
• 攻讀學位期間所發(fā)表的學術論文及所參加項目66

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊玉平;向華;;對人臉識別特征數(shù)據(jù)降維算法的優(yōu)化[J];重慶電子工程職業(yè)學院學報;2012年01期

2 張國印;樓宋江;王慶軍;程慧杰;;一種基于局部和判別特性的降維算法[J];計算機應用研究;2009年09期

3 李燕燕;閆德勤;劉勝藍;;基于密度刻畫的降維算法[J];計算機工程;2011年21期

4 王立鵬;袁占亭;陳旭輝;周智芳;;基于非線性降維算法的膜蛋白類型識別[J];微計算機信息;2010年10期

5 吳正寅;薛安榮;李明;;基于權值的局部保持半監(jiān)督降維算法[J];計算機應用研究;2011年04期

6 宋欣;葉世偉;;基于直接估計梯度思想的數(shù)據(jù)降維算法[J];計算機工程;2008年08期

7 劉勝藍;閆德勤;;一種新的全局嵌入降維算法[J];自動化學報;2011年07期

8 王萬良;陳e，

本文編號：859869