高维数据无监督特征选择算法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-25页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 无监督特征选择概述 | 第12-16页 |
| 1.2.1 特征选择 | 第12-15页 |
| 1.2.2 无监督特征选择 | 第15-16页 |
| 1.3 无监督特征选择研究现状 | 第16-20页 |
| 1.3.1 过滤型方法 | 第16-17页 |
| 1.3.2 封装型方法 | 第17-18页 |
| 1.3.3 嵌入型方法 | 第18-20页 |
| 1.4 主要研究内容和贡献 | 第20-23页 |
| 1.5 本文组织结构 | 第23-25页 |
| 第二章 典型无监督特征选择算法分析 | 第25-37页 |
| 2.1 基于相似度的方法 | 第25-28页 |
| 2.2 基于稀疏学习的方法 | 第28-34页 |
| 2.3 基于统计的方法 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 多样性引导的无监督特征选择研究 | 第37-59页 |
| 3.1 引言 | 第37页 |
| 3.2 问题模型 | 第37-40页 |
| 3.3 问题优化 | 第40-42页 |
| 3.3.1 算法优化 | 第40-42页 |
| 3.3.2 复杂度分析 | 第42页 |
| 3.4 实验结果与分析 | 第42-57页 |
| 3.4.1 实验设置 | 第42-46页 |
| 3.4.2 模拟数据实验 | 第46-47页 |
| 3.4.3 真实数据实验 | 第47-56页 |
| 3.4.4 参数分析 | 第56-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第四章 保留局部结构无监督特征选择研究 | 第59-75页 |
| 4.1 引言 | 第59页 |
| 4.2 图正则化 | 第59-61页 |
| 4.3 结构化自表达的无监督特征选择 | 第61-64页 |
| 4.3.1 算法模型 | 第61-62页 |
| 4.3.2 算法优化 | 第62-63页 |
| 4.3.3 收敛性分析 | 第63-64页 |
| 4.4 实验结果与分析 | 第64-73页 |
| 4.4.1 实验设置 | 第64-66页 |
| 4.4.2 模拟数据实验 | 第66页 |
| 4.4.3 真实数据集实验 | 第66-73页 |
| 4.5 本章小结 | 第73-75页 |
| 第五章 先验结构约束的无监督特征选择研究 | 第75-89页 |
| 5.1 引言 | 第75页 |
| 5.2 非负矩阵分解 | 第75-77页 |
| 5.3 理想局部结构约束的无监督特征选择 | 第77-79页 |
| 5.3.1 算法模型 | 第77-78页 |
| 5.3.2 算法优化 | 第78-79页 |
| 5.4 实验结果与分析 | 第79-88页 |
| 5.4.1 实验设置 | 第80-81页 |
| 5.4.2 块对角状结构的模拟数据集实验 | 第81-84页 |
| 5.4.3 真实数据实验 | 第84-88页 |
| 5.5 本章小结 | 第88-89页 |
| 第六章 总结与展望 | 第89-91页 |
| 6.1 总结 | 第89-90页 |
| 6.2 展望 | 第90-91页 |
| 参考文献 | 第91-99页 |
| 发表论文和参加科研情况说明 | 第99-101页 |
| 致谢 | 第101-102页 |
