高維數(shù)據(jù)的處理一直是機器學習領域的熱點問題。由于直接對高維數(shù)據(jù)進行處理會面臨“維數(shù)災難”、“算法失效”等問題,因此學者們針對這些問題提出了一系列有效的特征學習方法,但這些方法在復雜、高度非線性及多特征等場景下仍然存在各種問題,如何充分利用原有特征信息,實現(xiàn)高維特征的約簡及融合仍然是一個十分具有挑戰(zhàn)性的問題。為了降低高維數(shù)據(jù)的維度并且保留數(shù)據(jù)的有效特征,本文從特征學習的不同維度出發(fā),開展了單特征多投影組合特征提取、多特征集成嵌入流形學習的特征融合以及組合核函數(shù)集成特征融合的研究,主要研究內容分為以下幾個方面:1為了充分利用高維數(shù)據(jù)的全局信息,提出了一種基于有序回歸核判別分析方法的多投影向量組合特征提取方法�？紤]不同類的分布信息,利用類的序列信息進行有序回歸,克服了現(xiàn)有有序回歸算法中存在的忽略全局信息和高計算復雜度等缺陷。首先,通過正交空間遞歸得到投影向量,并在所得投影向量的正交子空間中搜索最優(yōu)投影向量。其次,采用不同的組合策略將投影向量的決策規(guī)則進行組合,從而形成最終的決策方式,這使得該算法能夠利用更多的原始信息提取出更有效的特征。通過與其它算法在有序回歸實驗上的多項指標進行對比,充分驗...

【文章頁數(shù)】：122 頁

【學位級別】：博士

圖１．２特征提取示意圖??Ｆｉｇ．１．２?Ｆｅａｔｕｒｅ?ｅｘｔｒａｃｔｉｏｎ?ｄｉａｇｒａｍ??

圖２．１半監(jiān)督學習??Ｆｉ．２．１?Ｓｅｍｉ?ｓｕｅｒｖｉｓｅｄ?ｌｅａｒｎｉｎ

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

圖２．３自訓練算法??－

本文編號：3882974