基于稀疏学习的鲁棒自表达属性选择算法

发布时间：2018-06-03 15:54

  本文选题：高维数据 + 属性选择　； 参考：《计算机应用与软件》2016年11期

【摘要】：受属性选择处理高维数据表现的高效性和低秩自表达方法在子空间聚类上成功运用的启发,提出一种基于稀疏学习的自表达属性选择算法。算法首先将每个属性用其他属性线性表示得到自表达系数矩阵;然后结合稀疏学习的理论(即整合L2,1-范数为稀疏正则化项惩罚目标函数)实现属性选择。在以分类准确率和方差作为评价指标下,相比其他算法,实验结果表明该算法可更高效地选择出重要属性,且显示出非常好的鲁棒性。
[Abstract]:Inspired by the high efficiency and low rank self-representation of attribute selection in subspace clustering, a self-expression attribute selection algorithm based on sparse learning is proposed. Firstly, each attribute is expressed linearly by other attributes to obtain the self-expression coefficient matrix, and then the sparse learning theory (that is, integrating L _ 2N _ 1-norm as the sparse regularization term penalty objective function) is used to realize attribute selection. Compared with other algorithms, the experimental results show that the proposed algorithm can select important attributes more efficiently and show good robustness.
【作者单位】： 广西师范大学广西多源信息挖掘与安全重点实验室;广西钦州学院;
【基金】：国家自然科学基金项目(61170131,61263035,61363009) 国家高技术研究发展计划项目(2012AA011005) 国家重点基础研究发展计划项目(2013CB329404) 广西自然科学基金项目(2012GXNSFGA060004) 广西高校科学技术研究重点项目(2013ZD041) 广西研究生教育创新计划项目(YCSZ2015095,YCSZ2015096)
【分类号】：TP181;TP311.13

【相似文献】

相关期刊论文 前10条

1 贺玲;蔡益朝;杨征;;高维数据空间的一种网格划分方法[J];计算机工程与应用;2011年05期

2 何进荣;丁立新;胡庆辉;李照奎;;高维数据空间的性质及度量选择[J];计算机科学;2014年03期

3 刘洪波,王秀坤,赵晶;高维数据空间金字塔技术研究[J];计算机工程与应用;2003年16期

4 沈萍;;高维数据挖掘技术研究[J];电脑知识与技术;2009年06期

5 谢枫平;;聚类分析中的高维数据降维方法研究[J];闽西职业技术学院学报;2009年04期

6 余元辉;邓莹;;一种新的高维数据聚类自适应算法的研究[J];沈阳化工大学学报;2010年02期

7 王寅峰;刘昊;狄盛;胡昊宇;;一种支持高维数据查询的并行索引机制[J];华中科技大学学报(自然科学版);2011年S1期

8 周勇;卢晓伟;程春田;;非规则流中高维数据流典型相关性分析并行计算方法[J];软件学报;2012年05期

9 王素芳;;基于组件的高维数据降维方法研究[J];电脑与电信;2012年10期

10 李郁林;;高维数据挖掘中的聚类算法研究[J];电脑与电信;2012年11期

相关会议论文 前4条

1 周煜人;彭辉;桂卫华;;基于映射的高维数据聚类方法[A];04'中国企业自动化和信息化建设论坛暨中南六省区自动化学会学术年会专辑[C];2004年

2 梁俊杰;杨泽新;冯玉才;;大规模高维数据库索引结构[A];第二十三届中国数据库学术会议论文集（研究报告篇）[C];2006年

3 陈冠华;马秀莉;杨冬青;唐世渭;帅猛;;面向高维数据的低冗余Top-k异常点发现方法[A];第26届中国数据库学术会议论文集（A辑）[C];2009年

4 刘运涛;鲍玉斌;吴丹;冷芳玲;孙焕良;于戈;;CBFrag-Cubing:一种基于压缩位图的高维数据立方创建算法(英文)[A];第二十二届中国数据库学术会议论文集（研究报告篇）[C];2005年

相关博士学位论文 前10条

1 黄晓辉;高维数据的若干聚类问题及算法研究[D];哈尔滨工业大学;2015年

2 杨风召;高维数据挖掘中若干关键问题的研究[D];复旦大学;2003年

3 陈黎飞;高维数据的聚类方法研究与应用[D];厦门大学;2008年

4 吴庆耀;高维数据的若干分类问题及算法研究[D];哈尔滨工业大学;2013年

5 楼巍;面向大数据的高维数据挖掘技术研究[D];上海大学;2013年

6 黄健美;高维数据索引及其查询处理技术研究[D];东北大学;2009年

7 董道国;高维数据索引结构研究[D];复旦大学;2005年

8 刘翠响;人脸识别中高维数据特征分析[D];河北工业大学;2008年

9 吕艳萍;微粒群优化算法及其在高维数据聚类的应用研究[D];厦门大学;2009年

10 陈建娇;高维数据的K-harmonic Means聚类方法及其应用研究[D];上海大学;2012年

相关硕士学位论文 前10条

1 侯小丽;高维数据聚类中的神经网络降维方法研究[D];兰州大学;2015年

2 孙喜利;高维数据的降维及聚类方法研究[D];兰州大学;2016年

3 康永为;大数据环境下高维数据处理若干问题[D];广西师范大学;2013年

4 张晓;基于超网络的高维数据聚类方法研究[D];山东师范大学;2015年

5 陈路莹;高维数据的聚类分析方法研究及其应用[D];厦门大学;2009年

6 王立强;基于多元统计图的高维数据降维方法及应用研究[D];燕山大学;2006年

7 戴继勇;基于投影的高维数据异常检测研究[D];重庆大学;2007年

8 屈治礼;高维数据可视化研究及在商业智能中的应用[D];江苏科技大学;2013年

9 杨庭庭;基于信息熵的高维数据流聚类及其应用研究[D];重庆交通大学;2015年

10 易莉桦;高维数据聚类算法的研究[D];燕山大学;2012年

，

本文编号：1973345