【摘 要】
：
特征选择旨在通过去除冗余、有噪声和不相关的特征,找到一组简捷且具有良好泛化能力的特征,由此提出的相关算法已广泛应用在生物信息学、数据挖掘和机器学习等领域。基于是否使用标签,特征选择方法可分为有监督学习,无监督学习。本文分别从无监督和有监督领域探讨了不同特征选择方法的性能,主要内容包括:首先,给出了联合不相关回归和非负谱分析的无监督特征选择（JURNFS）模型,JURNFS在选择不相关且具有判别性特
论文部分内容阅读
特征选择旨在通过去除冗余、有噪声和不相关的特征,找到一组简捷且具有良好泛化能力的特征,由此提出的相关算法已广泛应用在生物信息学、数据挖掘和机器学习等领域。基于是否使用标签,特征选择方法可分为有监督学习,无监督学习。本文分别从无监督和有监督领域探讨了不同特征选择方法的性能,主要内容包括:首先,给出了联合不相关回归和非负谱分析的无监督特征选择（JURNFS）模型,JURNFS在选择不相关且具有判别性特征的同时,自适应动态确定数据之间的相似性关系,从而能获得更准确的数据结构和标签信息。而且,模型中的广义不相关约束能够避免平凡解,所以此方法具有不相关回归和非负谱聚类两种特征选择方法的优点。其次,建立无监督图像特征选择的非负谱聚类和自适应图矩阵回归（AGNS-SMR）模型,完成对二维无标签数据的特征选取。AGNS-SMR接收矩阵数据作为输入,从而保存原有矩阵元素的位置信息。该模型可以使预测标签矩阵在整个图上尽可能平滑,并且图权重矩阵是通过自适应过程来学习而不是预先定义的固定矩阵。这样,在变换空间中可以保留样本数据的准确的局部结构,从而可以揭示这些伪类标签的判别信息。再者,针对噪声数据提出基于低秩非负稀疏表示和局部保留的矩阵回归的有监督图像特征选择（LNSRLP-MR）模型。该模型利用非负表示系数自适应学习图矩阵,既能捕获图像数据的全局和准确的局部结构信息,又对噪声和遮挡图像数据具有较强的鲁棒性。具体的:LNSRLP-MR通过对表示系数施加非负和L1范数约束来提供每个训练图像数据的非负稀疏自我表示,这使得学习的系数变得稀疏且具有判别性。此外,模型还利用误差矩阵的低秩约束来获得图像数据中相应的全局结构信息。最后,提出了一种自适应非负低秩保持的稀疏矩阵回归模型用于有监督图像特征选择（ANLRP-SMR）。该模型首先采用带非负约束的低秩表示来捕获图像数据的全局结构和更具判别性的信息,并通过L2范数约束使训练数据自表示的误差矩阵趋于稀疏。其次联合非负低秩表示系数建立图矩阵学习模型,自适应揭示图像数据的局部流形结构。因此,该模型不仅能够提高对噪声数据的鲁棒性,还能利用学习到的左右回归矩阵得到相应的行稀疏变换矩阵选择特征。在部分公共数据集和场景数据集上的实验结果证实,论文中所提出的特征选择算法在图像的分类识别应用中具有一定的价值,并且具有一定的优越性。
其他文献
肝癌的致死率在癌症中位居前列,严重威胁着人体健康。在临床应用中,CT是医生进行肝癌诊断的常用方式之一,从CT影像中对肝脏和肿瘤区域的精准分割,对疾病的诊断和预后治疗具有重要的研究价值。传统分割算法多依赖于先验知识,不利于临床应用中的自动化扩展。近年来,深度卷积神经网络（Deep Convolutional NeuralNetwork,DCNN）被广泛应用在肝肿瘤分割任务上,通过局部感知和参数共享的
在很多经典的深度学习网络模型中,多尺度特征融合结构都发挥着重要作用。多尺度意味着在不同粒度下对信号数据进行观察。当粒度更大更稀疏时,网络能够学到整体的趋势,获得全局性的高层特征;当粒度更小更密集时,网络能够学到更多的细节,获得局部性的底层特征。将不同粒度学习到的特征通过独特的空间通道均衡方法融合在一起,促使网络同时注重纹理和结构,从而保证模型的高效性和鲁棒性。在本研究中,我们将主要聚焦于深度神经网
核磁共振成像（MRI）、计算机断层扫描（CT）等医学成像技术为病痛中的患者带来了福音。就MRI而言,通过在体外成像,便可探测体内病灶部位,在减轻病人痛苦的同时,一些隐蔽的心血管疾病、淋巴结恶性病变等在MR图像中无所遁形。然而,由于MRI受到接收器电路以及人体活动等不可控因素影响,噪声和伪影随即出现,成像质量发生了不可避免的退化。研究者们结合传统方法和深度学习方法对生成高质量医学影像进行了探索:一些
图像融合一直是图像处理领域里的一个重要研究方向,其目的是将不同模态图像中的信息融合在一起,使得融合图像既包含多个模态图像中的显著信息同时降低模态间的重复特征。图像融合在很多计算机视觉任务中都有重要应用,比如多源检测、目标跟踪、监控等。在近几十年里,学者们提出了很多解决图像融合任务的算法。基于多尺度变换的融合方法和基于稀疏/低秩表示的融合方法是传统的图像融合方法中最重要的两种,但是这些方法在学习过完
随着全球经济的高速发展,各类社会活动对能源的需求日益剧增,在精确的负荷预测帮助下,电力能源的生产,调度情况将会有极大的改善,从环境保护的角度上也将节约许多不必要的能源浪费。电力负荷预测是当今电力系统管理中最重要的一项任务之一,然而如今社会用电模式日益丰富,传统的负荷预测模型可能无法应对此类复杂的情况。本文首先简要阐述了负荷预测的相关概念,基于负荷的不稳定特性和周期性分析了电力负荷变化的本质,并列举
据调查显示癌症是威胁人民身体健康的病因之一,治疗费用昂贵且不易治愈,而放射线治疗是治疗癌症的有效手段。放射治疗的成功很大程度上取决于对肿瘤的准确照射和对周围高危器官的保护。为了将规定的剂量输送到靶区,减少健康器官受辐射的影响,高危器官的分割对于放射治疗的正确规划至关重要。在临床实践中,分割由专家手动执行以规划放射治疗,手动分割既耗时又繁琐,结果可能因专家而异。自动分割技术可以提供准确稳健的结果,帮
近年来,物联网设备（Internet of Things,IoT）发展迅速,时间敏感的应用如视频流、智能交通、数据共享和个性化多媒体等服务需求迅速增加。边缘计算应运而生,其核心思想是将一部分请求卸载到网络边缘节点进行处理,而不是将其上传到云服务器处理。但是,相比于拥有强大运算能力的云服务中心,在移动边缘计算架构中,边缘服务器的计算资源和存储资源通常是有限的,且分布比较分散。面对未来大规模增加的接入
多源在线迁移学习利用多个源域的标记数据来增强目标域的分类性能,其中目标域以在线的方式接受数据。通过动态调整源域和目标域的权重,使得各个域能被自适应地利用,所以具有良好的泛化性能和极高的学习效率。然而在许多现实场景中的数据往往是不平衡的,其中的少数类样本被误分类将带来重大的损失。为了有效解决这样的实际问题,本文提出了新的多源在线迁移学习算法,具体的研究工作如下:本文提出了一种可以对目标域样本过采样的
网络中的文本信息愈加丰富多样,但如何从海量非结构文本中提取有价值的信息却无从下手,因此亟需一些方法和工具来完成这项任务。其中一个重要的信息提取方法就是命名实体识别,其主要用于提取例如人名、地名和组织机构名等有特定意义的实体信息。近年来,命名实体识别得到了广泛的研究和发展,但目前基于Transformer编码器的中文命名实体识别方法仍存在以下问题:第一,在字符特征提取时,存在未充分利用字符相关多语义
随着人工智能技术的迅速发展,行人重识别逐渐成为计算机视觉领域热门的研究课题,其作为智能视频监控系统中的重要组成部分,可以帮助从候选集中检索出待查询行人的所有图像,从而减少大量的人力成本,具有巨大的研究意义和应用价值。然而,由于背景杂乱、遮挡、图像质量低和相机视角等复杂的影响因素,给行人重识别带来了严峻的挑战。目前,主流的基于图像的行人重识别方法主要研究如何从捕捉到的监控图像中提取更具有判别性的行人