發(fā)布時間：2020-11-19 15:11

　　 隨著大數據時代的到來,生產生活中的高維數據越來越普遍。在保存更多有用信息的同時,高維數據也引入了很多不相關或冗余的屬性(特征)。為了減少系統(tǒng)學習的時間、提高學習的精度,如何選出最具代表性的特征已成為機器學習的研究熱點之一。相對有監(jiān)督和半監(jiān)督特征選擇問題,因為沒有標簽信息進行指導,無監(jiān)督特征選擇變得非常困難。本文基于數據結構學習和微粒群優(yōu)化等方法或技術,研究高效的無監(jiān)督特征選擇算法,主要包括以下三個內容:(1)首先,考慮數據的局部結構,將無監(jiān)督特征選擇問題轉化為有監(jiān)督特征選擇問題,提出了一種基于非負拉普拉斯嵌入引導子空間學習的特征選擇模型及求解算法。該方法利用非負拉普拉斯嵌入產生問題的偽標簽,以保證數據的分類精度;有機融合數據的標簽信息,建立了基于子空間學習的特征選擇模型,以保持數據的局部結構;給出了模型的迭代求解算法,并證明了算法的收斂性;將所提算法用于臉部圖像處理等典型數據集,實驗結果證明了它的有效性。(2)其次,同時考慮數據的全局和局部結構,提出了一種融合結構學習的無監(jiān)督特征選擇模型及求解算法。該方法利用稀疏自表示和概率鄰域關系圖,分別學習原始數據的全局和局部流形結構;在進行結構學習的同時,通過引入行稀疏特征變換矩陣來選擇特征,給出了融合結構學習的無監(jiān)督特征選擇模型;設計了結構學習和特征選擇并進的迭代求解算法;將所提算法用于語音數據處理等典型數據集,實驗結果證明了其優(yōu)越性。(3)最后,有機融合微粒群優(yōu)化的全局搜索能力和過濾式方法的局部開發(fā)能力,提出了一種兩階段混合無監(jiān)督特征選擇方法。第一階段,利用信息熵評估特征之間的平均相關性,給出了基于最大熵原理的特征空間縮減策略,用以快速刪除不相關的特征;第二階段,利用一種改進的骨干微粒群優(yōu)化算法,從縮減后的特征空間中搜索關鍵特征,用以產生高質量的特征子集。進一步,給出了一種基于特征冗余性的微粒局部搜索策略,改善微粒群的開發(fā)能力;在多個典型數據集上的實驗結果,表明了所提算法的有效性和優(yōu)越性。
【學位單位】：中國礦業(yè)大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP18
【部分圖文】：

融合骨干微粒群優(yōu)化和平均相關性的兩階段混合無監(jiān)督特征選擇了大量的不相關和冗余特征。其它 4 種特征選擇方法進行比較，表 5-2 和表 5所有算法的分類精度結果。在表 5-2 和表 5-3 中類器所得分類結果，其它列為不同特征選擇方法算法在不同數據集上的平均分類精度值。利用黑相應的特征選擇方法。
【參考文獻】

相關期刊論文 前10條

1 崔文巖;孟相如;李紀真;王明鳴;陳天平;王坤;;基于粗糙集粒子群支持向量機的特征選擇方法[J];微電子學與計算機;2015年01期

2 王凌;沈婧楠;王圣堯;鄧瑾;;協同進化算法研究進展[J];控制與決策;2015年02期

3 鞏敦衛(wèi);胡瀅;張勇;;基于多目標微粒群優(yōu)化的異質數據特征選擇[J];電子學報;2014年07期

4 譚臺哲;葉青;尚鵬;;基于局部重構的無監(jiān)督特征選擇方法[J];計算機應用研究;2014年09期

5 何清;李寧;羅文娟;史忠植;;大數據下的機器學習算法綜述[J];模式識別與人工智能;2014年04期

6 周志華;;基于分歧的半監(jiān)督學習[J];自動化學報;2013年11期

7 范雪莉;馮海泓;原猛;;基于互信息的主成分分析特征選擇算法[J];控制與決策;2013年06期

8 戴大蒙;慕德俊;;非完備信息系統(tǒng)的啟發(fā)式特征選擇遺傳算法[J];電子學報;2013年03期

9 孟小峰;慈祥;;大數據管理:概念、技術與挑戰(zhàn)[J];計算機研究與發(fā)展;2013年01期

10 李曉艷;張子剛;張逸石;張謐;;一種基于KL散度和類分離策略的特征選擇算法[J];計算機科學;2012年12期

本文編號：2890149