基于特征选择的数据降维算法研究
发布时间：2021-09-05 14:14
计算机技术的飞速发展使得我们所获得的信息呈现爆炸式的增长,有调查显示,人类近半个世纪以来获得的数据量是以往漫长人类历史上获得数据的总和,我们正处在大数据的包围之中。这些数据通常都是高维的,数据维度的膨胀为后续的计算任务带来了巨大的负担,将会导致维数灾难。为了有效地从这些数据中获得有价值的信息,特征选择和数据降维等一系列机器学习算法便应运而生,并且逐渐成为研究热点之一。数据降维方法的基本思路:在输入空间中对样本数据进行某种变换操作,将高维样本数据映射到低维空间中,最终在低维度空间得到关于原数据空间的低维表示。目前,数据降维已成为机器学习、数据挖掘、人工智能以及计算机视觉中的重要方法。本文在ReliefF特征选择算法的基础上,融合了两种不同的数据降维算法和子模优化的性质,研究了基于特征选择的数据降维算法在文本和图像特征选取中的应用。本论文研究的主要内容和创新点:（1）提出了基于PCA-ICA和ReliefF相结合的用于人脸图像特征选取的方法。考虑到PCA算法不能保留人脸图像的高阶信息的缺点,本文在对人脸图像处理中,先使用ReliefF算法进行最优特征子集选择,经过PCA降维,再应用ICA对...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：57 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 数据降维的含义
1.2.1 降维技术概述
1.2.2 降维算法分类
1.2.3 降维中的特征选择
1.3 本文研究的内容和组织结构
第二章 特征选择和数据降维算法
2.1 特征选择的概念
2.1.1 特征选择的概述
2.1.2 特征的相关性
2.2 特征选择算法
2.2.1 过滤法(Filter Methods)
2.2.2 封装法(Wrapper Methods)
2.2.3 嵌入法(Embedded Methods)
2.3 数据降维算法
2.3.1 主成分分析(PCA)
2.3.2 独立成分分析(ICA)
2.4 本章小结
第三章 基于改进的特征选择算法的图像特征提取
3.1 引言
3.2 PCA和ICA在人脸图像分类中的应用
3.3 ReliefF特征选择算法
3.4 系统组成
3.4.1 基于PCA-ICA改进的特征选择算法
3.4.2 SVM分类器
3.5 实验与分析
3.5.1 实验数据集
3.5.2 实验结果及分析
3.6 本章小结
第四章 基于子模优化的文本特征选取
4.1 引言
4.2 子模函数
4.2.1 子模函数的定义
4.2.2 子模函数的优化
4.3 文本特征提取
4.3.1 文本特征的表示
4.3.2 图的邻接矩阵
4.3.3 子模方法的特征提取
4.4 实验与分析
4.4.1 实验数据集
4.4.2 基于ReliefF算法的数据预处理
4.4.3 实验步骤
4.4.4 实验结果与分析
4.5 本章小结
第五章 总结与展望
5.1 论文总结
5.2 研究展望
参考文献
致谢
攻读硕士研究生期间参与的科研项目
【参考文献】：
期刊论文
[1]基于最大化子模和RRWM的视频协同分割[J]. 苏亮亮,唐俊,梁栋,王年. 自动化学报. 2016(10)
[2]基于子模性质的基因表达谱特征基因提取[J]. 蒋智谋,姚唐龙. 电脑知识与技术. 2015(17)
[3]海量高维数据下分布式特征选择算法的研究与应用[J]. 陈晓明. 科技通报. 2013(08)
[4]特征选择与空间降维概述、热点及展望[J]. 赵宇,黄思明,陈锐. 数学的实践与认识. 2013(15)
[5]基于子模式纹理分析的鲁棒人脸识别研究[J]. 郑先锋,王丽艳,张林. 科学技术与工程. 2013(20)
[6]基于PCA与ICA的人脸识别算法研究[J]. 王展青,刘小双,张桂林,王仲君. 华中师范大学学报(自然科学版). 2007(03)
[7]特征选择算法研究综述[J]. 毛勇,周晓波,夏铮,尹征,孙优贤. 模式识别与人工智能. 2007(02)
[8]基于PCA和ICA的人脸识别[J]. 刘直芳,游志胜,王运琼. 激光技术. 2004(01)
[9]自动文本分类中的智能处理技术[J]. 孙晋文,肖建国. 计算机科学. 2003(08)
博士论文
[1]基于流形学习的数据降维方法及其在人脸识别中的应用[D]. 王建中.东北师范大学 2010
[2]流形学习的理论与方法研究[D]. 王靖.浙江大学 2006
硕士论文
[1]基于SPM模型的图像分类方法研究[D]. 张驰.安徽大学 2016
[2]面向词袋模型的相似性度量方法在特征降维中的应用[D]. 汤渊.广东工业大学 2015
[3]基因表达谱数据挖掘的特征提取方法研究[D]. 姚唐龙.安徽大学 2015
[4]模式分类中特征选择算法的研究[D]. 王晓宇.哈尔滨理工大学 2015
[5]数据降维算法研究及其应用[D]. 龚铁梁.湖北大学 2012
[6]基于SVM图像分类方法的研究[D]. 吴小季.南京信息工程大学 2011
[7]基于多分类器组合的垃圾网页的检测[D]. 张同伟.华南理工大学 2010
[8]机器学习中的特征选择算法研究[D]. 姜百宁.中国海洋大学 2009
[9]白细胞显微图像分类研究[D]. 张立伟.哈尔滨工程大学 2008
[10]基于ICA的人脸识别算法研究[D]. 尹克重.重庆大学 2006
本文编号：3385496
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：57 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 数据降维的含义
1.2.1 降维技术概述
1.2.2 降维算法分类
1.2.3 降维中的特征选择
1.3 本文研究的内容和组织结构
第二章 特征选择和数据降维算法
2.1 特征选择的概念
2.1.1 特征选择的概述
2.1.2 特征的相关性
2.2 特征选择算法
2.2.1 过滤法(Filter Methods)
2.2.2 封装法(Wrapper Methods)
2.2.3 嵌入法(Embedded Methods)
2.3 数据降维算法
2.3.1 主成分分析(PCA)
2.3.2 独立成分分析(ICA)
2.4 本章小结
第三章 基于改进的特征选择算法的图像特征提取
3.1 引言
3.2 PCA和ICA在人脸图像分类中的应用
3.3 ReliefF特征选择算法
3.4 系统组成
3.4.1 基于PCA-ICA改进的特征选择算法
3.4.2 SVM分类器
3.5 实验与分析
3.5.1 实验数据集
3.5.2 实验结果及分析
3.6 本章小结
第四章 基于子模优化的文本特征选取
4.1 引言
4.2 子模函数
4.2.1 子模函数的定义
4.2.2 子模函数的优化
4.3 文本特征提取
4.3.1 文本特征的表示
4.3.2 图的邻接矩阵
4.3.3 子模方法的特征提取
4.4 实验与分析
4.4.1 实验数据集
4.4.2 基于ReliefF算法的数据预处理
4.4.3 实验步骤
4.4.4 实验结果与分析
4.5 本章小结
第五章 总结与展望
5.1 论文总结
5.2 研究展望
参考文献
致谢
攻读硕士研究生期间参与的科研项目
【参考文献】：
期刊论文
[1]基于最大化子模和RRWM的视频协同分割[J]. 苏亮亮,唐俊,梁栋,王年. 自动化学报. 2016(10)
[2]基于子模性质的基因表达谱特征基因提取[J]. 蒋智谋,姚唐龙. 电脑知识与技术. 2015(17)
[3]海量高维数据下分布式特征选择算法的研究与应用[J]. 陈晓明. 科技通报. 2013(08)
[4]特征选择与空间降维概述、热点及展望[J]. 赵宇,黄思明,陈锐. 数学的实践与认识. 2013(15)
[5]基于子模式纹理分析的鲁棒人脸识别研究[J]. 郑先锋,王丽艳,张林. 科学技术与工程. 2013(20)
[6]基于PCA与ICA的人脸识别算法研究[J]. 王展青,刘小双,张桂林,王仲君. 华中师范大学学报(自然科学版). 2007(03)
[7]特征选择算法研究综述[J]. 毛勇,周晓波,夏铮,尹征,孙优贤. 模式识别与人工智能. 2007(02)
[8]基于PCA和ICA的人脸识别[J]. 刘直芳,游志胜,王运琼. 激光技术. 2004(01)
[9]自动文本分类中的智能处理技术[J]. 孙晋文,肖建国. 计算机科学. 2003(08)
博士论文
[1]基于流形学习的数据降维方法及其在人脸识别中的应用[D]. 王建中.东北师范大学 2010
[2]流形学习的理论与方法研究[D]. 王靖.浙江大学 2006
硕士论文
[1]基于SPM模型的图像分类方法研究[D]. 张驰.安徽大学 2016
[2]面向词袋模型的相似性度量方法在特征降维中的应用[D]. 汤渊.广东工业大学 2015
[3]基因表达谱数据挖掘的特征提取方法研究[D]. 姚唐龙.安徽大学 2015
[4]模式分类中特征选择算法的研究[D]. 王晓宇.哈尔滨理工大学 2015
[5]数据降维算法研究及其应用[D]. 龚铁梁.湖北大学 2012
[6]基于SVM图像分类方法的研究[D]. 吴小季.南京信息工程大学 2011
[7]基于多分类器组合的垃圾网页的检测[D]. 张同伟.华南理工大学 2010
[8]机器学习中的特征选择算法研究[D]. 姜百宁.中国海洋大学 2009
[9]白细胞显微图像分类研究[D]. 张立伟.哈尔滨工程大学 2008
[10]基于ICA的人脸识别算法研究[D]. 尹克重.重庆大学 2006
本文编号：3385496
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3385496.html
