函数型数据的特征选择方法研究

发布时间：2021-12-09 08:19

　　二十一世纪以来,随着信息资源的充分开发、计算机技术和数据挖掘技术的不断发展,大数据时代随之而来。现实中的数据集朝着大规模方向发展,并呈现指数型增长的趋势。这种增长不仅仅是数据量的增长,数据的呈现形式也越来越多样化,函数型数据（Functional Data,FD）正是一种常见的、信息量大的数据。由于函数型数据特征维数较高,所以在数据分析时需要进行特征选择,以提取相关信息和排除冗余信息,从而使数据分类问题更快更准确。函数型数据的特征选择正是从庞大的函数信息中选出那些相关性小、代表性强的少部分特征,以简化后期分类器的计算和提高泛化能力。互信息特征选择方法可以用量化的形式表示数据之间的关系,因此在特征选择中有广泛的应用。已有的互信息特征选择方法中也存在一些不足,例如传统特征选择方法在原始数据集上直接进行特征选择,搜索策略的不同会导致每次特征选择结果存在一定的差异,使特征选择的结果不稳定;特征选择过程是依次遍历特征的过程,因此存在学习算法的时间复杂度较高等问题。如果将这些方法直接用于函数型数据的特征选择,不仅会使上述问题更加突出,而且特征选择结果的分类精度也不甚理想。因此,本文针对上述问题开展... 

【文章来源】：山西大学山西省

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
中文摘要
ABSTRACT
第一章 引言
    1.1 研究背景
    1.2 国内外研究现状
    1.3 论文的主要工作
    1.4 论文结构
第二章 背景知识
    2.1 数据的函数化及函数特征选定
    2.2 基于信息论特征选择方法概述
    2.3 本章小结
第三章 动态互信息特征选择
    3.1 动态互信息特征选择方法
        3.1.1 DMI方法
        3.1.2 DCMI方法
    3.2 实验结果与分析
        3.2.1 数据与实验环境
        3.2.2 实验设计
        3.2.3 实验结果及分析
    3.3 本章小结
第四章 快速特征选择
    4.1 快速特征选择方法
        4.1.1 FFS方法的主要思想
        4.1.2 FFS算法
    4.2 FFS-CMI特征选择方法
    4.3 实验结果与分析
        4.3.1 数据与实验环境
        4.3.2 实验设计
        4.3.3 实验结果及分析
    4.4 本章小结
第五章 总结与展望
参考文献
攻读学位期间取得的研究成果
致谢
个人简况及联系方式


【参考文献】：
期刊论文
[1]面向函数型数据的快速特征选择方法[J]. 马忱,王文剑,姜高霞.  模式识别与人工智能. 2017(09)
[2]基于最小二乘支持向量机的函数型数据回归分析[J]. 孟银凤,梁吉业.  模式识别与人工智能. 2014(12)
[3]函数型数据分析的研究进展和技术框架[J]. 米子川,赵丽琴.  统计与信息论坛. 2012(06)
[4]基于区分类别能力的高性能特征选择方法[J]. 徐燕,李锦涛,王斌,孙春明.  软件学报. 2008(01)

博士论文
[1]函数型数据建模的方法及其应用[D]. 孟银凤.山西大学 2017
[2]基于信息熵的特征选择算法研究[D]. 刘华文.吉林大学 2010
[3]函数性数据分析方法及应用研究[D]. 靳刘蕊.厦门大学 2008



本文编号：3530288