基于交互信息的多标记类标特异性特征选择方法的研究

发布时间：2022-08-01 12:21

　　特征选择是模式识别、数据挖掘等领域内的一个极其关键的步骤。其可将原始的样本特征从高维的特征空间中转化到低维的特征空间,由此可极大地缓解目前该领域内维度灾难的问题。目前领域内的特征选择方法主要集中于单标记学习,而对于多标记学习的特征选择方法却很少;即使存在少量的多标记学习算法,也是在不同的类标中基于同一的特征空间下来实现学习的目的。然而实际上,在多标记学习算法中,不同的类标可能拥有他们自己特异性的特征。因此,本文将主要从以下几个方面入手,来研究关于多类标的特征选择算法。首先,对目前领域内关于特征选择算法的分析探讨,总结归类,仔细研究文献资料,思考目前算法中存在的不足之处,并提出相应的改进措施。比如说,领域内大多数的特征选择算法是基于单标记学习的,而现实生活中很多样本是同时具有多个类标的,并且这些类标之间大多是相互重叠的。从而本文将主要是针对多标记的特征选择方法来进行探索。其次,对于多标记学习算法,目前该领域内已有的多标记学习中的特征选择方法,是在不同的类标下基于相同的样本特征空间来实现学习目的,这可能违背这样的事实,即在有关多标记的学习算法中,不同的类标可能拥有它们自己特异性的特征。因此... 

【文章页数】：68 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 国内外研究发展现状
    1.3 论文的研究内容及结构安排
第二章 相关基础知识概述
    2.1 引言
    2.2 模式识别
        2.2.1 模式识别的定义
        2.2.2 模式识别的基本流程
        2.2.3 模式识别的分类方法
    2.3 多标记学习
        2.3.1 多标记学习概述
        2.3.2 多标记学习的评价准则
    2.4 特征选择概述
        2.4.1 特征选择的基本概念
        2.4.2 特征选择的基本流程
        2.4.3 特征选择的分类方法
    2.5 本章小结
第三章 LIFT算法与信息理论技术
    3.1 引言
    3.2 LIFT算法概述
        3.2.1 LIFT算法基本原理及步骤
        3.2.2 LIFT算法特点及其优缺点
        3.2.3 LIFT算法结构流程及伪代码
    3.3 模糊粗糙集与信息理论的概述
        3.3.1 模糊粗糙集理论概述
        3.3.2 信息度量方法
        3.3.3 交互信息的应用
    3.4 本章小结
第四章 基于交互信息的多标记类标特异性特征选择方法研究
    4.1 引言
    4.2 算法的原理及步骤
        4.2.1 改进的LEFS算法的原理及步骤
        4.2.2 改进的LEFS-SS算法的原理及步骤
    4.3 实验结果及分析
        4.3.1 数据集的描述
        4.3.2 多标记分类结果
    4.4 本章小结
第五章 结束语
    5.1 论文总结
    5.2 论文展望
参考文献
攻读硕士学位期间的研究成果及所获荣誉
致谢


【参考文献】：
期刊论文
[1]基于类属属性的多标记学习算法[J]. 吴磊,张敏灵.  软件学报. 2014(09)
[2]一种面向数据学习的快速PCA算法[J]. 余映,王斌,张立明.  模式识别与人工智能. 2009(04)



本文编号：3667438