基于半监督和无监督学习的特征选择算法研究

发布时间：2018-06-24 16:47

  本文选题：特征选择 + 半监督学习　； 参考：《西北大学》2017年硕士论文

【摘要】：特征选择是机器学习领域中一个重要的研究课题,是解决高维数据“维数灾难”的有效手段,在计算机视觉、生物信息学等科学领域中有着广泛的应用。因此,对特征选择算法的研究有着重要的研究意义和应用价值。近年来,随着数据规模和维度的爆炸式增长,半监督和无监督特征选择逐渐成为特征选择的热点问题,这是因为半监督和无监督特征选择算法能够保证学习模型的泛化性能,并降低标注成本。本文围绕半监督和无监督特征选择算法展开研究,其目的在于提高半监督特征选择的分类准确率和降低无监督特征选择的时间复杂度。本文研究工作主要包括以下几个方面:(1)学习和研究了基于稀疏表示的特征选择算法、基于流形正则化的半监督学习方法和大规模数据的锚节点构图;(2)在基于稀疏范数的半监督特征选择算法上提出了一种基于l_(2,1)范数和l_(G1)范数的多视角数据特征选择算法,选择出对类别有区分力的单个特征和视角。实验结果表明本文所提出算法可以在多视角数据特征选择上取得较好的分类效果;(3)结合锚节点构图,将特征投影矩阵约束为特征选择矩阵,减少了特征选择过程中的时间复杂度。实验结果表明了本文所提出算法在降低复杂度上的有效性。
[Abstract]:Feature selection is an important research topic in the field of machine learning and an effective means to solve the "dimensionality disaster" of high-dimensional data. It is widely used in computer vision, bioinformatics and other scientific fields. Therefore, the study of feature selection algorithm has important significance and application value. In recent years, with the explosive growth of data scale and dimension, semi-supervised and unsupervised feature selection has gradually become a hot issue in feature selection, because semi-supervised and unsupervised feature selection algorithms can guarantee the generalization performance of learning model. And reduce the marking cost. This paper focuses on semi-supervised and unsupervised feature selection algorithms, the purpose of which is to improve the classification accuracy of semi-supervised feature selection and reduce the time complexity of unsupervised feature selection. This paper mainly includes the following aspects: (1) the feature selection algorithm based on sparse representation is studied. Semi-supervised learning method based on manifold regularization and anchor node composition of large-scale data. (2) A multi-view data feature selection algorithm based on L _ (2N) norm and l _ (G1) norm is proposed based on sparse norm based semi-supervised feature selection algorithm. Select a single feature and perspective that distinguishes categories. The experimental results show that the proposed algorithm can achieve a good classification effect on multi-view data feature selection. (3) combining with the anchor node composition, the feature projection matrix is constrained as the feature selection matrix. The time complexity of feature selection is reduced. Experimental results show that the proposed algorithm is effective in reducing complexity.
【学位授予单位】：西北大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP181

【相似文献】

中国期刊全文数据库 前10条

1 李云,叶春晓,李季,刘嘉敏,吴中福;基于特征关联性的特征选择算法研究[J];微型机与应用;2004年06期

2 卜华龙;夏静;韩俊波;;特征选择算法综述及进展研究[J];巢湖学院学报;2008年06期

3 王博;贾焰;田李;;基于类标号扩展的半监督特征选择算法[J];计算机科学;2009年10期

4 陈红;郭躬德;;一种新的双重融合的半监督特征选择算法[J];小型微型计算机系统;2010年08期

5 张晓光;孙正;徐桂云;阮殿旭;;一种类内方差与相关度结合的特征选择算法[J];哈尔滨工业大学学报;2011年03期

6 陈建华;王治和;蒋芸;许虎寅;樊东辉;;一种改进的文本分类特征选择算法[J];微电子学与计算机;2011年12期

7 郭磊;王亚弟;陈庶樵;朱珂;伊鹏;;一种改进的动态流特征选择算法[J];计算机工程与应用;2012年18期

8 代琨;于宏毅;马学刚;李青;;基于支持向量机的特征选择算法综述[J];信息工程大学学报;2014年01期

9 毛勇;周晓波;夏铮;尹征;孙优贤;;特征选择算法研究综述[J];模式识别与人工智能;2007年02期

10 任双桥;傅耀文;黎湘;庄钊文;;基于分类间隔的特征选择算法[J];软件学报;2008年04期

中国重要会议论文全文数据库 前5条

1 甄超;郑涛;许洁萍;;音乐流派分类中特征选择算法研究[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

2 张仰森;曹元大;;最大熵建模方法中一种改进的特征选择算法[A];NCIRCS2004第一届全国信息检索与内容安全学术会议论文集[C];2004年

3 张铮;胡社教;江萍;;基于EP模式的特征选择算法[A];2011中国仪器仪表与测控技术大会论文集[C];2011年

4 周炎涛;唐剑波;王家琴;;基于信息熵的改进TFIDF特征选择算法[A];第二十六届中国控制会议论文集[C];2007年

5 李文法;段m#毅;刘悦;孙春来;;一种面向流分类的特征选择算法[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

中国博士学位论文全文数据库 前9条

1 王剑桥;基于局部特性的毫米波距离像识别方法研究[D];南京理工大学;2014年

2 李云;特征选择算法及其在基于内容图像检索中的应用研究[D];重庆大学;2005年

3 刘华文;基于信息熵的特征选择算法研究[D];吉林大学;2010年

4 张靖;面向高维小样本数据的分类特征选择算法研究[D];合肥工业大学;2014年

5 潘巍巍;故障严重程度识别的有序分类特征分析方法[D];哈尔滨工业大学;2013年

6 张嘉伟;心电图形态特征的识别及其在分类中的作用研究[D];华东师范大学;2011年

7 李状;基于无监督学习的风电机组传动链智能故障诊断方法研究[D];华北电力大学(北京);2016年

8 钱利强;无监督学习框架下学习分类器系统聚类与主干网提取方法研究[D];苏州大学;2016年

9 李岸达;基于特征选择算法的复杂产品关键质量特性识别研究[D];天津大学;2016年

中国硕士学位论文全文数据库 前10条

1 徐娇;基于Hadoop的文本特征选择算法的研究[D];兰州大学;2015年

2 朱艳玲;基于聚类的多层特征选择算法的研究与应用[D];郑州轻工业学院;2015年

3 周p，

本文编号：2062264