本文選題：高維數(shù)據(jù) + 屬性選擇�。� 參考：《計算機(jī)應(yīng)用與軟件》2016年11期

【摘要】：受屬性選擇處理高維數(shù)據(jù)表現(xiàn)的高效性和低秩自表達(dá)方法在子空間聚類上成功運用的啟發(fā),提出一種基于稀疏學(xué)習(xí)的自表達(dá)屬性選擇算法。算法首先將每個屬性用其他屬性線性表示得到自表達(dá)系數(shù)矩陣;然后結(jié)合稀疏學(xué)習(xí)的理論(即整合L2,1-范數(shù)為稀疏正則化項懲罰目標(biāo)函數(shù))實現(xiàn)屬性選擇。在以分類準(zhǔn)確率和方差作為評價指標(biāo)下,相比其他算法,實驗結(jié)果表明該算法可更高效地選擇出重要屬性,且顯示出非常好的魯棒性。
[Abstract]:Inspired by the high efficiency and low rank self-representation of attribute selection in subspace clustering, a self-expression attribute selection algorithm based on sparse learning is proposed. Firstly, each attribute is expressed linearly by other attributes to obtain the self-expression coefficient matrix, and then the sparse learning theory (that is, integrating L _ 2N _ 1-norm as the sparse regularization term penalty objective function) is used to realize attribute selection. Compared with other algorithms, the experimental results show that the proposed algorithm can select important attributes more efficiently and show good robustness.
【作者單位】： 廣西師范大學(xué)廣西多源信息挖掘與安全重點實驗室;廣西欽州學(xué)院;
【基金】：國家自然科學(xué)基金項目(61170131,61263035,61363009) 國家高技術(shù)研究發(fā)展計劃項目(2012AA011005) 國家重點基礎(chǔ)研究發(fā)展計劃項目(2013CB329404) 廣西自然科學(xué)基金項目(2012GXNSFGA060004) 廣西高�？茖W(xué)技術(shù)研究重點項目(2013ZD041) 廣西研究生教育創(chuàng)新計劃項目(YCSZ2015095,YCSZ2015096)
【分類號】：TP181;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 賀玲;蔡益朝;楊征;;高維數(shù)據(jù)空間的一種網(wǎng)格劃分方法[J];計算機(jī)工程與應(yīng)用;2011年05期

2 何進(jìn)榮;丁立新;胡慶輝;李照奎;;高維數(shù)據(jù)空間的性質(zhì)及度量選擇[J];計算機(jī)科學(xué);2014年03期

3 劉洪波,王秀坤,趙晶;高維數(shù)據(jù)空間金字塔技術(shù)研究[J];計算機(jī)工程與應(yīng)用;2003年16期

4 沈萍;;高維數(shù)據(jù)挖掘技術(shù)研究[J];電腦知識與技術(shù);2009年06期

5 謝楓平;;聚類分析中的高維數(shù)據(jù)降維方法研究[J];閩西職業(yè)技術(shù)學(xué)院學(xué)報;2009年04期

6 余元輝;鄧瑩;;一種新的高維數(shù)據(jù)聚類自適應(yīng)算法的研究[J];沈陽化工大學(xué)學(xué)報;2010年02期

7 王寅峰;劉昊;狄盛;胡昊宇;;一種支持高維數(shù)據(jù)查詢的并行索引機(jī)制[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2011年S1期

8 周勇;盧曉偉;程春田;;非規(guī)則流中高維數(shù)據(jù)流典型相關(guān)性分析并行計算方法[J];軟件學(xué)報;2012年05期

9 王素芳;;基于組件的高維數(shù)據(jù)降維方法研究[J];電腦與電信;2012年10期

10 李郁林;;高維數(shù)據(jù)挖掘中的聚類算法研究[J];電腦與電信;2012年11期

相關(guān)會議論文 前4條

1 周煜人;彭輝;桂衛(wèi)華;;基于映射的高維數(shù)據(jù)聚類方法[A];04'中國企業(yè)自動化和信息化建設(shè)論壇暨中南六省區(qū)自動化學(xué)會學(xué)術(shù)年會專輯[C];2004年

2 梁俊杰;楊澤新;馮玉才;;大規(guī)模高維數(shù)據(jù)庫索引結(jié)構(gòu)[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2006年

3 陳冠華;馬秀莉;楊冬青;唐世渭;帥猛;;面向高維數(shù)據(jù)的低冗余Top-k異常點發(fā)現(xiàn)方法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（A輯）[C];2009年

4 劉運濤;鮑玉斌;吳丹;冷芳玲;孫煥良;于戈;;CBFrag-Cubing:一種基于壓縮位圖的高維數(shù)據(jù)立方創(chuàng)建算法(英文)[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2005年

相關(guān)博士學(xué)位論文 前10條

1 黃曉輝;高維數(shù)據(jù)的若干聚類問題及算法研究[D];哈爾濱工業(yè)大學(xué);2015年

2 楊風(fēng)召;高維數(shù)據(jù)挖掘中若干關(guān)鍵問題的研究[D];復(fù)旦大學(xué);2003年

3 陳黎飛;高維數(shù)據(jù)的聚類方法研究與應(yīng)用[D];廈門大學(xué);2008年

4 吳慶耀;高維數(shù)據(jù)的若干分類問題及算法研究[D];哈爾濱工業(yè)大學(xué);2013年

5 樓巍;面向大數(shù)據(jù)的高維數(shù)據(jù)挖掘技術(shù)研究[D];上海大學(xué);2013年

6 黃健美;高維數(shù)據(jù)索引及其查詢處理技術(shù)研究[D];東北大學(xué);2009年

7 董道國;高維數(shù)據(jù)索引結(jié)構(gòu)研究[D];復(fù)旦大學(xué);2005年

8 劉翠響;人臉識別中高維數(shù)據(jù)特征分析[D];河北工業(yè)大學(xué);2008年

9 呂艷萍;微粒群優(yōu)化算法及其在高維數(shù)據(jù)聚類的應(yīng)用研究[D];廈門大學(xué);2009年

10 陳建嬌;高維數(shù)據(jù)的K-harmonic Means聚類方法及其應(yīng)用研究[D];上海大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 侯小麗;高維數(shù)據(jù)聚類中的神經(jīng)網(wǎng)絡(luò)降維方法研究[D];蘭州大學(xué);2015年

2 孫喜利;高維數(shù)據(jù)的降維及聚類方法研究[D];蘭州大學(xué);2016年

3 康永為;大數(shù)據(jù)環(huán)境下高維數(shù)據(jù)處理若干問題[D];廣西師范大學(xué);2013年

4 張曉;基于超網(wǎng)絡(luò)的高維數(shù)據(jù)聚類方法研究[D];山東師范大學(xué);2015年

5 陳路瑩;高維數(shù)據(jù)的聚類分析方法研究及其應(yīng)用[D];廈門大學(xué);2009年

6 王立強(qiáng);基于多元統(tǒng)計圖的高維數(shù)據(jù)降維方法及應(yīng)用研究[D];燕山大學(xué);2006年

7 戴繼勇;基于投影的高維數(shù)據(jù)異常檢測研究[D];重慶大學(xué);2007年

8 屈治禮;高維數(shù)據(jù)可視化研究及在商業(yè)智能中的應(yīng)用[D];江蘇科技大學(xué);2013年

9 楊庭庭;基于信息熵的高維數(shù)據(jù)流聚類及其應(yīng)用研究[D];重慶交通大學(xué);2015年

10 易莉樺;高維數(shù)據(jù)聚類算法的研究[D];燕山大學(xué);2012年

，

本文編號：1973345