基于类别相关性的鲁棒分层特征降维方法研究

发布时间：2021-06-29 09:30

　　大数据中的海量样本、大规模类别和高维特征为机器学习带来了丰富的信息。类别之间还往往呈现出复杂的结构关系、不可避免存在的噪声数据也降低了数据的质量和可用性。这些数据特点给传统机器学习的特征降维方法和模型带来了严峻挑战:（1）大量的特征引起了维度灾难问题;（2）复杂的类别层次结构破坏了传统特征降维方法对类别相互独立的假设;（3）低质量数据破坏了传统特征降维方法对数据正确性的基本假设,这导致传统降维方法处理大规模的分类任务时表现不好,甚至不适用。本文针对类别具有层次结构、数据质量低的分类任务,充分挖掘和利用类别的层次结构信息,设计噪声过滤机制,进行基于类别相关性的鲁棒分层特征降维方法研究,主要包括以下三个研究内容:1)基基于类别离散度的分层特征提取。针对传统特征提取方法忽略了类别间复杂层次关系、所提特征容易导致重大分类错误的问题,采用“分而治之”策略,以类别结点为单位分解分层分类任务,再对不同粒度的任务分别定义类间离散度矩阵、类内离散度矩阵,最终根据判别分析思想提出一种基于类别离散度的分层特征提取方法。2)基基于类别相似关系约束的鲁棒分层特征选择。针对传统特征选择方法忽略类别间关系、大多特征... 

【文章来源】：闽南师范大学福建省

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 扁平特征降维方法的研究现状
        1.2.2 分层特征降维方法的研究现状
    1.3 主要研究内容和组织结构
第2章 背景知识
    2.1 类别的层次结构
    2.2 分层分类
    2.3 评价指标
    2.4 符号定义
第3章 基于类别离散度的分层特征提取
    3.1 基于类别离散度的分层特征提取模型
    3.2 基于类别离散度的分层特征提取模型的优化求解
    3.3 实验设置
        3.3.1 实验环境
        3.3.2 实验数据
        3.3.3 对比方法
        3.3.4 参数设置
    3.4 实验分析
        3.4.1 分类效果对比
        3.4.2 时间效率对比
    3.5 本章小结
第4章 基于类别相似关系约束的鲁棒分层特征选择
    4.1 类别相似关系约束下的鲁棒分层特征选择模型
    4.2 类别相似关系约束下鲁棒分层特征选择模型的优化求解
    4.3 实验设置
        4.3.1 实验环境
        4.3.2 实验数据
        4.3.3 对比方法
        4.3.4 参数设置
    4.4 实验分析
        4.4.1 分类效果对比
        4.4.2 时间效率对比
        4.4.3 不同约束项的作用
        4.4.4 收敛性分析
    4.5 本章小结
第5章 基于类别中心泛化约束的鲁棒分层特征选择
    5.1 类别中心泛化约束下的鲁棒分层特征选择模型
    5.2 类别中心泛化约束下鲁棒分层特征选择模型的优化求解
    5.3 实验设置
        5.3.1 实验环境
        5.3.2 实验数据
        5.3.3 对比方法
        5.3.4 参数设置
    5.4 实验分析
        5.4.1 分类效果对比
        5.4.2 时间效率对比
        5.4.3 不同约束项的作用
        5.4.4 参数敏感性分析
        5.4.5 收敛性分析
    5.5 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 未来工作
参考文献
致谢
发表论文和参加科研情况说明


【参考文献】：
期刊论文
[1]基于差别矩阵和mRMR的分步优化特征选择算法[J]. 樊鑫,陈红梅.  计算机科学. 2020(01)
[2]知识与数据双向驱动的多粒度认知计算[J]. 王国胤,李帅,杨洁.  西北大学学报(自然科学版). 2018(04)
[3]大规模分类任务的分层学习方法综述[J]. 胡清华,王煜,周玉灿,赵红,钱宇华,梁吉业.  中国科学:信息科学. 2018(05)
[4]结构化稀疏线性判别分析[J]. 崔振,山世光,陈熙霖.  计算机研究与发展. 2014(10)
[5]层次分类方法综述[J]. 陆彦婷,陆建峰,杨静宇.  模式识别与人工智能. 2013(12)



本文编号：3256197