面向高维数据的特征学习算法研究

发布时间：2024-01-23 16:18

　　高维数据的处理一直是机器学习领域的热点问题。由于直接对高维数据进行处理会面临“维数灾难”、“算法失效”等问题,因此学者们针对这些问题提出了一系列有效的特征学习方法,但这些方法在复杂、高度非线性及多特征等场景下仍然存在各种问题,如何充分利用原有特征信息,实现高维特征的约简及融合仍然是一个十分具有挑战性的问题。为了降低高维数据的维度并且保留数据的有效特征,本文从特征学习的不同维度出发,开展了单特征多投影组合特征提取、多特征集成嵌入流形学习的特征融合以及组合核函数集成特征融合的研究,主要研究内容分为以下几个方面:1为了充分利用高维数据的全局信息,提出了一种基于有序回归核判别分析方法的多投影向量组合特征提取方法。考虑不同类的分布信息,利用类的序列信息进行有序回归,克服了现有有序回归算法中存在的忽略全局信息和高计算复杂度等缺陷。首先,通过正交空间递归得到投影向量,并在所得投影向量的正交子空间中搜索最优投影向量。其次,采用不同的组合策略将投影向量的决策规则进行组合,从而形成最终的决策方式,这使得该算法能够利用更多的原始信息提取出更有效的特征。通过与其它算法在有序回归实验上的多项指标进行对比,充分验...

【文章页数】：122 页

【学位级别】：博士

图１．２特征提取示意图??Ｆｉｇ．１．２?Ｆｅａｔｕｒｅ?ｅｘｔｒａｃｔｉｏｎ?ｄｉａｇｒａｍ??

图２．１半监督学习??Ｆｉ．２．１?Ｓｅｍｉ?ｓｕｅｒｖｉｓｅｄ?ｌｅａｒｎｉｎ

图２．２生成模型算法的流程图??Ｆｉｇ．２．２?Ｇｅｎｅｒａｔｅ?ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｍｏｄｅｌ?ａｌｇｏｒｉｔｈｍ??

图２．３自训练算法??－

本文编号：3882974