【摘要】：傳統(tǒng)基于k近鄰的多標簽學習算法,在尋找近鄰度量樣本間的距離時,對所有特征給予同等的重要度.這些算法大多采用分解策略,對單個標簽獨立預測,忽略了標簽間的相關性.多標簽學習算法的分類效果跟輸入的特征有很大的關系,不同的特征含有的標簽分類信息不同,故不同特征的重要度也不同.互信息是常用的度量2個變量間關聯(lián)度的重要方法之一,能夠有效度量特征含有標簽分類的知識量.因此,根據(jù)特征含有標簽分類知識量的大小,賦予相應的權重系數(shù),提出一種基于互信息的粒化特征加權多標簽學習k近鄰算法(granular feature weighted k-nearest neighbors algorithm for multi-label learning,GFWML-kNN),該算法將標簽空間�；啥鄠�標簽粒,對每個標簽粒計算特征的權重系數(shù),以解決上述問題和標簽組合爆炸問題.在計算特征權重時,考慮到了標簽間可能的組合,把標簽間的相關性融合進特征的權重系數(shù).實驗表明:相較于若干經(jīng)典的多標簽學習算法,所提算法GFWML-kNN整體上能取得較好的效果.

【相似文獻】

相關期刊論文 前10條

1 華銳;梁娜;;特征加權樸素貝葉斯分類器在小樣本中的應用[J];統(tǒng)計與決策;2012年23期

2 朱紅寧;張斌;;特征加權集對分析方法[J];計算機科學;2009年09期

3 張翔;鄧趙紅;王士同;;具有更好適應性的間距最大化特征加權[J];計算機應用;2010年09期

4 陳新泉;;特征加權的模糊C聚類算法[J];計算機工程與設計;2007年22期

5 王晨;樊小紅;;基于特征加權的交通事件檢測研究[J];微電子學與計算機;2012年10期

6 黎佳;王明文;何世柱;柯麗;;基于特征加權的半監(jiān)督聚類研究[J];廣西師范大學學報(自然科學版);2011年01期

7 饒剛;劉瓊蓀;高君健;;基于灰色特征加權支持向量機的二維函數(shù)擬合[J];計算機工程與設計;2012年10期

8 蔡靜穎;謝福鼎;張永;;基于馬氏距離特征加權的模糊聚類新算法[J];計算機工程與應用;2012年05期

9 李潔;高新波;焦李成;;基于特征加權的模糊聚類新算法[J];電子學報;2006年01期

10 高瀅;劉大有;徐益;;一種特征加權的聚類算法框架[J];計算機科學;2008年10期

相關會議論文 前1條

1 杜玫芳;王昕;;基于特征加權的模糊c均值聚類算法及其應用[A];2008通信理論與技術新進展——第十三屆全國青年通信學術會議論文集（上）[C];2008年

相關碩士學位論文 前4條

1 馬會敏;幾種特征加權支持向量機方法的比較研究[D];河北大學;2010年

2 張娜娜;基于進化極限學習機的特征加權近鄰分類算法[D];大連海事大學;2016年

3 吳彪;基于信息論的特征加權和主題驅動協(xié)同聚類算法研究[D];哈爾濱工業(yè)大學;2008年

4 周計美;基于特征加權單類支持向量機的顏色識別算法及其在異色物檢測中的研究[D];內(nèi)蒙古大學;2012年

，

本文編號：2564710