检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于依赖最大化和稀疏回归的多标签特征选择

计算机工程与设计 2022年第7期43卷 1898-1904页

作者：吴喆君黄睿上海大学通信与信息工程学院上海200444

针对基于稀疏回归的多标签特征选择方法中数据的特征和标签之间线性关系假设不成立的问题,提出一种基于依赖最大化和稀疏回归的多标签特征选择方法(multi-label feature selection with dependence maximization and sparse regression,... 详细信息

针对基于稀疏回归的多标签特征选择方法中数据的特征和标签之间线性关系假设不成立的问题,提出一种基于依赖最大化和稀疏回归的多标签特征选择方法(multi-label feature selection with dependence maximization and sparse regression,DMSR)。构建数据的低维子空间,最大化低维空间与数据的标签空间之间的依赖性,使用希尔伯特-施密特独立性准则作为依赖性的计算依据,将数据从特征空间映射到该低维空间,设计一种交替优化的算法对稀疏回归模型进行求解,得到用于特征选择的投影矩阵。在多个不同类型的多标签数据集上的实验结果表明,所提算法的性能优于其它对比算法。

关键词：多标签学习特征选择依赖最大化稀疏回归低维空间

基于多因素稀疏回归预测模型的商家客流量预测

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2020年第5期37卷 1440-1444页

作者：郑增威杜俊杰周燕真孙霖霍梅梅浙江大学城市学院智能植物工厂浙江省工程实验室杭州310015 浙江大学计算机科学与技术学院杭州310012

针对智能商业平台中的大数据预测问题,提出一种多因素稀疏回归预测模型。以离散余弦变换为基础,构建包含多个外部因素(节假日、天气、温度)的字典集,通过LASSO方法定量求解稀疏编码模型中各外部因素的影响。实验对2000个商家的客流量进... 详细信息

针对智能商业平台中的大数据预测问题,提出一种多因素稀疏回归预测模型。以离散余弦变换为基础,构建包含多个外部因素(节假日、天气、温度)的字典集,通过LASSO方法定量求解稀疏编码模型中各外部因素的影响。实验对2000个商家的客流量进行预测。实验结果表明,外部因素不同程度地影响客流量,在预测模型中叠加外部因素后可以有效提高预测的准确性。同时,与其他方法对比表明,多因素稀疏回归预测模型比RNN、ARIMA等模型的预测效果更好。

关键词：智能商业平台客流量预测稀疏回归多因素分析字典学习

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于子空间学习与非凸稀疏回归的特征选择

基于子空间学习与非凸稀疏回归的特征选择

作者：徐开明西安电子科技大学

学位级别：硕士

信息技术的进步促使各个领域都出现了海量高维数据。高维数据包含大量冗余特征与噪声,严重影响了学习任务的效率,降低了算法模型的准确率,因此如何采用降维方法来有效降低数据维数已成为研究热点。特征选择作为一种有效的维数约简方法,... 详细信息

信息技术的进步促使各个领域都出现了海量高维数据。高维数据包含大量冗余特征与噪声,严重影响了学习任务的效率,降低了算法模型的准确率,因此如何采用降维方法来有效降低数据维数已成为研究热点。特征选择作为一种有效的维数约简方法,因保留了原始特征空间的语义信息而得到了广泛的研究与关注。现阶段特征选择方法已取得良好成效,但仍存在一些不足之处,比如流形结构信息保留不充分、流形结构保留策略对干扰不够鲁棒以及稀疏正则项效果欠佳等。针对这些不足,本文提出了一些特征选择算法来有效克服上述问题。本文研究内容如下:1)提出一种基于稀疏低冗余子空间学习的对偶图正则鲁棒特征选择算法(SLSDR)。首先,SLSDR以基于子空间学习的图正则特征选择框架为基础,并通过引入数据图拓展了这一框架。由于SLSDR同时在数据空间与特征空间构造图,因此可以同时保留数据流形与特征流形的几何结构来指导特征选择的进行。其次,SLSDR使用内积正则项来保证特征选择矩阵行的稀疏性,从而可以选出有代表性且低冗余性的特征。另外,算法使用l-norm约束子空间学习残差矩阵来保证对outlier样本的鲁棒性。在12个基准数据集上的实验结果表明,SLSDR具有良好的性能。2)提出一种基于自适应结构学习与秩估计子空间学习的无监督特征选择算法(SLASR)。首先,SLASR将自适应流形学习策略引入子空间学习框架,因此不仅保留了局部结构信息,也保留了全局重构信息。得益于自适应流形学习策略的应用,相似度矩阵与低维嵌入的学习可以在同一个步骤中完成,从而相似度矩阵更加准确且对噪声更加鲁棒。其次,算法对拉普拉斯矩阵施加了秩正则项约束,这样就使得流形信息更准确。另外,SLASR采用l-norm来约束投影矩阵,从而选择出稀疏与鲁棒的特征。实验结果也充分表明SLASR比传统的基于固定图的算法更有效。3)提出一种基于自适应对偶图与非凸约束的嵌入特征选择算法(DNEFS)。首先,借助稀疏回归框架,DNEFS同时保留了数据空间与特征空间的流形结构信息。通过引入信息熵原理,对偶图中的局部流形信息可以自适应地学习与更新,因此流形信息更加准确。其次,DNEFS采用新的非凸正则项来保证行的稀疏性。具体的,这一正则项由l-norm与Frobenius范数的差分构成,并记为l-norm。通过使用这一新正则项,DNEFS可以更好的处理冗余特征。在6个基准数据集上的实验结果表明,提出的DNEFS优于对比算法的性能。

关键词：子空间学习内积流形结构秩约束特征选择稀疏回归

基于稀疏回归模型的影像遗传研究对阿尔茨海默症生物标记物的检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稀疏回归模型的影像遗传研究对阿尔茨海默症生物标记物的检测

作者：陈秀美南方医科大学

学位级别：硕士

影像遗传学是应用神经影像来研究遗传基因对个体影响的一门新兴学科。影像遗传学通过研究影像表型(数量性状,Quantitative Traits,QTs)与遗传基因数据(单核苷酸多态性,Single Nucleotide Polymorphism,SNP)之间的关联来评估遗传变异对... 详细信息

影像遗传学是应用神经影像来研究遗传基因对个体影响的一门新兴学科。影像遗传学通过研究影像表型(数量性状,Quantitative Traits,QTs)与遗传基因数据(单核苷酸多态性,Single Nucleotide Polymorphism,SNP)之间的关联来评估遗传变异对大脑功能和结构的影响,进而检测与疾病相关的生物标记物。通过研究生物标志物可以帮助了解疾病的内在机理和辅助疾病的早期预测、诊断。影像遗传学常被应用于对阿尔茨海默症(Alzheimer’s Disease,AD)生物标记物的检测中,其通常存在一些问题:1)高昂的测量成本、数据质量差等原因导致多模态影像数据缺失;2)忽略多模态影像QT数据之间存在互补信息;3)忽略SNP-SNP和QT-QT的结构信息;4)忽略纵向QT的信息;5)简单的线性模型很难拟合QT和SNP之间的复杂关联。本课题的主要工作和创新点如下:(1)不同成像技术是从不同角度对脑部进行观察,从而获得脑结构和功能影像,不同模态影像数据可能存在互补信息,但同时也存在样本缺失的问题。本文提出了一种基于潜在空间的多模态稀疏回归模型的影像遗传关联分析方法去处理模态数据缺失问题。我们首先将影像数据拆分为两部分,一部分是具有完整模态数据样本,将其投影到共同的潜在空间去学习模态的共同特性;另一部分是具有模态数据缺失的样本,将其投影到独立的空间去学习每个模态特有的特征。然后将投影后的QT数据与SNP数据进行关联分析。最后应用交替迭代算法求解该模型。我们在仿真数据和真实数据上对我们的模型进行了评估。在仿真实验中,本文提出方法的曲线下面积(Areaof Underthe Curve,AUC)优于现有的几种方法。在真实数据实验中,我们检测出的基因和表型在早期研究中被证实与AD相关,从而验证了本文提出模型的有效性。(2)本文提出了一种基于时序组稀疏回归和加性模型分析纵向表型和SNP之间的关联来检测与AD相关的生物标记物。首先,由于线性模型很难拟合QT与SNP之间的复杂关联,因此引进非参数的加性模型去考虑QT与SNP之间的复杂关联。其次,使用纵向影像QT数据去识别影像遗传关联随时间的变化。此外,还引进SNP组水平和个体水平信息,最后,应用交替凸搜索算法求解该模型。我们在仿真数据和真实数据上对我们的模型进行了评估。在仿真实验中,本文提出方法的AUC优于现有的几种方法。在真实数据实验中,我们检测出的基因和表型在早期研究中被证实与AD相关,且在每个时间点上都检测出与AD相关的生物标记物,从而验证了本文提出方法的有效性。

关键词：影像遗传学生物标记物阿尔茨海默症稀疏回归

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稀疏回归的特征选择研究

基于稀疏回归的特征选择研究

作者：黄天意闽南师范大学

学位级别：硕士

在许多的计算机相关领域中,比如:机器学习,数据挖掘和计算机视觉,特征选择是关键的同时具有挑战性的任务。它的目的是在原始数据的特征中找到一个特征子集。同时希望这个子集中的特征能有利于后续的数据处理。在特征选择领域中,无监督... 详细信息

在许多的计算机相关领域中,比如:机器学习,数据挖掘和计算机视觉,特征选择是关键的同时具有挑战性的任务。它的目的是在原始数据的特征中找到一个特征子集。同时希望这个子集中的特征能有利于后续的数据处理。在特征选择领域中,无监督特征选择和代价敏感特征选择是两个重要的课题,并且在近年来引起了学者们的广泛关注。在本文中,对于上述两个课题中,各有一个新的特征选择算法被提出。这两个算法的细节如下:1.对于无监督特征选择,在本文中,特征差异矩阵被提出并用于分析样本之间的差异度,基于这个矩阵一个高效的无监督特征选择算法被提出,称之为基于最大角度的无监督特征选择算法。这个特征选择方法通过特征差异矩阵的自我表示来从更为全面的角度选择特征,因此这个算法选择的特征能够尽可能多的包含样本的分辨信息。另外,为了使自我表示模型有效和去除噪声特征,L范数规则化被加入到了目标函数当中。2.对于代价敏感特征选择,在本文中,样本间的代价距离被定义,基于这个距离,通过结合稀疏回归和流形学习,一个新的代价敏感特征选择方法被提出,称之为基于流形学习的代价敏感特征选择算法。以前提出的代价敏感特征选择算法只考虑到了特征与误分类代价的关系,忽略了特征与特征之间的分辨关系。而本文中新的代价敏感特征选择算法不但考虑了特征与误分类代价的关系而且还通过基于流形学习的稀疏回归考虑了特征之间内在的判别信息,从而提高了代价敏感特征选择的效果。

关键词：特征选择无监督学习代价敏感学习流形学习稀疏回归

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于稀疏回归的无监督特征选择

基于稀疏回归的无监督特征选择

作者：常姜维西安电子科技大学

学位级别：硕士

随着互联网及物联网技术的快速发展,在科学研究以及日常生活等方面产生的数据都是成千上万甚至更多维的高维数据。其中,高维特征的数据中含有重要的特征、冗余的特征、不重要的特征甚至是噪声特征。数据分析的目的是从大量数据中获取有... 详细信息

随着互联网及物联网技术的快速发展,在科学研究以及日常生活等方面产生的数据都是成千上万甚至更多维的高维数据。其中,高维特征的数据中含有重要的特征、冗余的特征、不重要的特征甚至是噪声特征。数据分析的目的是从大量数据中获取有意义的数据,从而完成相应的聚类或分类等任务。然而,数据的爆发式增长给传统的数据分析方法带来了时间和空间上的更高要求。因此,需要采用降维方法对高维数据进行预处理,得到低维空间下的纯净数据。近年来,许多基于稀疏回归的特征选择算法被提出。然而,这些特征选择算法仍然存在一些局限性,比如对嵌入维度敏感,稀疏性不足,对数据信息利用不足等。因此,本文针对这些方面进行了一些改进,以克服现有算法模型的不足。本文的贡献主要包括如下几点:(1)提出一种基于非负矩阵分解和正则化稀疏回归的无监督特征选择算法(JMFSR)。JMFSR算法旨在找到更合适的伪类标索引矩阵。首先,该算法采用带有正交约束的非负矩阵分解学习基于部分的数据表示。然后,通过正则化稀疏回归模型学习一个特征权重矩阵。另外,该算法引入了l范数同时对稀疏回归项和特征权重矩阵施加约束,从而能够有效的选择具有代表性的特征子集。(2)提出一种基于自表示稀疏回归和局部相似性保护的无监督特征选择算法(UFSRL)。UFSRL算法旨在克服一般特征选择算法对嵌入维度敏感和稀疏性不足的问题。首先,该算法是对原始数据本身进行稀疏重构,而不是拟合低维嵌入。其次,该算法采用了流形学习方法保护数据的局部相似性。另外,该算法采用了l矩阵范数对系数矩阵进行约束以保证系数矩阵的行稀疏性,使得UFSRL模型稀疏性和对噪声的鲁棒性更好。(3)提出一种基于自表示和非负矩阵分解的混合图正则化特征选择算法(SRMFMR)。SRMFMR算法旨在解决一般特征选择算法对数据信息利用不足的问题。首先,该算法在自表示回归模型基础上对自表示矩阵进行非负性分解,得到一个新的特征选择矩阵和一个系数矩阵。其次,SRMFMR采用一种混合图模型,即分别在样本空间构建全局图,在特征空间构建局部图,这样能够使模型有效保护数据空间的全局信息和特征空间的近邻相似信息。

关键词：特征选择稀疏回归正则化非负矩阵分解相似性保护 l2,1/2矩阵范数混合图自表示

流形学习与稀疏回归算法在图像监督分类上的应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

流形学习与稀疏回归算法在图像监督分类上的应用研究

作者：张兴瑞哈尔滨工业大学

学位级别：硕士

随着多媒体技术的不断发展以及存储技术的提高,人们获取了大量的高维信息,而数据高维特性的存在将影响计算机的数据处理能力,影响模型的效率。在近年来的研究中,如何降低高维数据的影响已经成为一个重要的研究方向。传统的数据降维算法... 详细信息

随着多媒体技术的不断发展以及存储技术的提高,人们获取了大量的高维信息,而数据高维特性的存在将影响计算机的数据处理能力,影响模型的效率。在近年来的研究中,如何降低高维数据的影响已经成为一个重要的研究方向。传统的数据降维算法基本为线性降维算法,而在流形学习理论中指出数据呈流形分布,且部分数据线性不可分。流形学习的前提是假设数据在全局非线性的或局部线性的情况下,通过学习数据内部的几何结构,使得样本在低维空间仍然可以维持原始的数据结构。若算法引入稀疏回归则图的映射矩阵具有低秩性。本文从多方面探讨了流形学习与稀疏回归的算法思想,首先从邻域图的构建入手,对KNN构图算法进行了改进,采用核化的思想将原始数据映射到再生核希尔伯特空间(RKHS),并在该特征空间对样本进行邻域图的构建。同时算法引入无偏估计量l范数,使该矩阵具有自适应稀疏性,不仅使得构图过程中不需要对近邻参数K进行初始化,而且有效降低了过拟合现象。其次对特征映射算法进行了构建,引入了四种其他特征映射算法,分别对算法的基本思想、基本步骤及特性进行了对比分析及总结。深入研究了流形学习与稀疏回归的非线性嵌入算法,并将其与改进的构图算法相结合,利用调节因子λ共同构造了非线性嵌入算法。该算法不仅降低了之前映射算法对图结构的过度依赖性,而且使得投影矩阵P具有稀疏性,提高了算法鲁棒性及抗噪声性能。最后,将文章研究的算法应用到监督学习中,并与引入的多种算法进行了性能对比。实验表明,本文研究的流形学习与稀疏回归的非线性图嵌入算法,在复杂场景数据集和简单数据集上具有较高的稳定性及优越性。其中在ORL Face和Coil-20数据集上具有较好的识别性能。相较于其他维数约简方法,本文方法具有输入参数少、算法稳定性高及识别准确率高的优势。

关键词：流形学习稀疏回归降维非线性嵌入监督分类

基于局部区域的稀疏回归模型的肝脏图像分割方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于局部区域的稀疏回归模型的肝脏图像分割方法

作者：许政哈尔滨工业大学

学位级别：硕士

近几十年来,随着计算机技术在医学成像领域的不断发展与广泛应用,医学图像分割技术也获得了前所未有的发展空间。肝脏分割就是根据人体肝脏解剖学特征和肝脏医学图像灰度、纹理和统计结构信息,将肝脏从人体腹部CT医学图像内部分割出来... 详细信息

近几十年来,随着计算机技术在医学成像领域的不断发展与广泛应用,医学图像分割技术也获得了前所未有的发展空间。肝脏分割就是根据人体肝脏解剖学特征和肝脏医学图像灰度、纹理和统计结构信息,将肝脏从人体腹部CT医学图像内部分割出来。因此,实现全自动、高效且准确的肝脏分割在术前规划、疾病诊断和计算机辅助介入治疗等方面具有深远的意义。本文采用了基于主动形状模型的肝脏分割框架。该分割框架不仅使用了肝脏CT医学图像的图像特征,而且还考虑了特定的肝脏结构形状先验信息,从而减少了在肝脏CT医学图像分割中出现的欠分割和过分割的情况。本文提出了一种基于灰度值标准差和空间坐标标准差的归一化准则,该准则既使用了肝脏图像的灰度值信息,又考虑了肝脏的空间形状变化。因此,该准则既可以对正常的肝脏形状进行准确的区域划分,又可以对具有复杂结构和含病灶的肝脏形状进行有效、准确的区域划分。受到基于稀疏回归的光谱解混方法的启发,本文将稀疏回归引入到人体肝脏分割中。本文利用肝脏形状模型可以近似为肝脏形状库中的稀疏线性组合形式,从而提出一种基于局部区域的稀疏回归模型。为了求解该模型,本文首先将这个稀疏回归优化问题转化成一个只含单变量的基追踪降噪问题,然后使用交替方向乘子算法求解转化后的只含单变量的基追踪降噪问题。本文中使用的基于主动形状模型的肝脏分割框架对肝脏区域的初始化位置非常敏感。为了得到待分割肝脏的初始化形状,本文考虑使用了基于图谱的肝脏形状初始化方法来完成肝脏形状的初始化。为了使本文所使用的基于主动形状模型的分割框架更加有效且更加精确,本文提出了多尺度自适应肝脏分割策略。首先利用构建好的多尺度自适应高斯滤波器对训练数据集中的所有肝脏图像进行处理。然后再结合本文提出的基于局部区域的稀疏回归模型的肝脏分割方法,对肝脏进行分割。最后,本文使用10组临床腹部CT医学图像进行肝脏分割测试实验。为了评估本文所提出的肝脏分割方法的分割性能,本文将基于局部区域的稀疏回归模型的肝脏分割方法与肝脏分割竞赛中排名前十的方法对比。实验结果表明,本文所提出的肝脏分割方法具有较好的泛化能力和分割性能。

关键词：肝脏分割稀疏回归主动形状模型多尺度自适应模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于流形学习和稀疏回归的多标签特征选择

基于流形学习和稀疏回归的多标签特征选择

作者：吴喆君上海大学

学位级别：硕士

在文本分类、图像标注、生物信息学等领域,数据对象往往呈现出多语义性的特点,传统的单标签学习框架不再适用。多标签学习认为每个数据样本可以同时含有多个类别标签,因此可以用来处理多语义性数据。多标签数据通常具有较高的维数,大量... 详细信息

在文本分类、图像标注、生物信息学等领域,数据对象往往呈现出多语义性的特点,传统的单标签学习框架不再适用。多标签学习认为每个数据样本可以同时含有多个类别标签,因此可以用来处理多语义性数据。多标签数据通常具有较高的维数,大量冗余特征的存在不仅会增大多标签学习算法的计算开销,而且会影响分类器的性能。特征选择是对高维数据进行维数约简的有效手段。稀疏特征选择对回归模型的回归系数矩阵添加稀疏正则项,通过对该矩阵的系数分析完成特征选择,具有比传统特征加权方法更好的性能。但是,该类方法在回归模型中所假设的数据与标签之间的线性关系通常并不成立。一些多标签特征选择算法在稀疏回归模型中引入流形学习思想,将数据映射到其低维流形,使得最终选择的特征能反映数据的本征结构。但是,如何构建低维流形,以及如何对该流形结构进行约束更有利于分类仍然有待深入研究。论文针对多标签特征选择问题,基于流形学习和稀疏回归模型展开研究,对流形的构建和约束方式进行探讨,主要研究内容如下:（1）综述多标签特征选择的研究现状以及多标签学习的相关理论和方法,对稀疏回归模型和流形学习进行详细论述,并着重介绍与之相关的多标签特征选择算法。（2）提出一种基于图拉普拉斯的多标签类属特征选择算法（multi-label labelspecific feature selection based on graph Laplacian,LSGL）。LSGL基于数据在每个类别标签上的分布信息构建邻接矩阵,利用拉普拉斯映射方法获得数据在每个标签上的低维流形,然后将低维流形引入包含稀疏正则项的回归模型。最后,通过优化求得回归系数矩阵,并利用该矩阵对特征进行评分,得到每个标签对应的类属特征。实验表明,LSGL得到的类属特征子集能有效提升分类器的性能。（3）提出一种基于流形正则化和依赖最大化的多标签特征选择算法（multilabel feature selection via manifold regularization and dependence maximization,MRDM）。MRDM利用谱回归思想将数据映射到低维流形空间,并对该空间添加结构约束和依赖约束,使其不仅具有与数据空间相似的结构信息,而且与标签空间之间有着很强的依赖性。方法将两个约束项加入稀疏回归模型,通过对目标函数迭代优化求解得到回归系数矩阵,获取特征子集。实验表明,MRDM的性能优于多种多标签特征选择算法。

关键词：多标签学习特征选择流形学习稀疏回归低维流形