| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第15-28页 |
| 1.1 研究背景 | 第15页 |
| 1.2 研究意义 | 第15-17页 |
| 1.2.1 大数据降维 | 第15-16页 |
| 1.2.2 相关关系挖掘 | 第16页 |
| 1.2.3 交互作用挖掘 | 第16-17页 |
| 1.2.4 文本分类特征选择 | 第17页 |
| 1.3 研究现状 | 第17-24页 |
| 1.3.1 相关关系分析 | 第17-19页 |
| 1.3.2 特征选择与维数约简 | 第19-22页 |
| 1.3.3 试验设计 | 第22-23页 |
| 1.3.4 量子机器学习 | 第23-24页 |
| 1.4 主要内容与创新 | 第24-26页 |
| 1.5 本文的组织结构 | 第26-28页 |
| 第二章 面向因子交互作用挖掘的信息论特征选择方法 | 第28-45页 |
| 2.1 引言 | 第28-29页 |
| 2.2 信息论背景知识 | 第29-31页 |
| 2.2.1 互信息 | 第29-30页 |
| 2.2.2 交互作用信息 | 第30-31页 |
| 2.3 特征选择算法框架 | 第31-35页 |
| 2.3.1 基于交互作用的特征选择框架 | 第32-33页 |
| 2.3.2 特征选择框架与现有方法之间的联系 | 第33-35页 |
| 2.4 基于信息论的特征选择方法 | 第35-39页 |
| 2.4.1 交互作用信息最大化算法 | 第35-37页 |
| 2.4.2 联合互信息最大化算法 | 第37-39页 |
| 2.5 实验分析 | 第39-43页 |
| 2.5.1 总体性能对比 | 第40-42页 |
| 2.5.2 特征选择性能随特征数量的变化 | 第42-43页 |
| 2.5.3 运行时间对比 | 第43页 |
| 2.6 本章小结 | 第43-45页 |
| 第三章 面向因子排序和显著性分析的试验设计特征选择方法 | 第45-71页 |
| 3.1 引言 | 第45页 |
| 3.2 试验设计背景知识 | 第45-50页 |
| 3.2.1 试验设计 | 第46页 |
| 3.2.2 析因设计 | 第46-47页 |
| 3.2.3 部分析因设计 | 第47-49页 |
| 3.2.4 Taguchi方法 | 第49-50页 |
| 3.3 基于试验设计的特征选择方法 | 第50-62页 |
| 3.3.1 基于析因设计的特征选择方法 | 第50-54页 |
| 3.3.2 基于析因设计的大数据相关关系挖掘算法 | 第54-56页 |
| 3.3.3 基于部分析因设计的特征选择方法 | 第56-58页 |
| 3.3.4 基于Taguchi方法的自动调参方法 | 第58-61页 |
| 3.3.5 多分类问题的解决方案 | 第61-62页 |
| 3.4 实验分析 | 第62-69页 |
| 3.4.1 IMFS的实验结果 | 第63-65页 |
| 3.4.2 IMFS-FDFS的实验结果 | 第65-66页 |
| 3.4.3 交互作用的效果 | 第66页 |
| 3.4.4 PM2.5数据上的应用 | 第66-69页 |
| 3.5 本章小结 | 第69-71页 |
| 第四章 面向大数据相关关系挖掘效率的量子加速算法 | 第71-88页 |
| 4.1 引言 | 第71-72页 |
| 4.2 量子计算 | 第72-76页 |
| 4.2.1 量子态与量子门 | 第72-74页 |
| 4.2.2 量子相位估计算法 | 第74-75页 |
| 4.2.3 量子搜索算法 | 第75-76页 |
| 4.2.4 量子计数算法 | 第76页 |
| 4.3 量子计算加速过滤式特征选择算法 | 第76-83页 |
| 4.3.1 信息测度 | 第77-78页 |
| 4.3.2 特征选择 | 第78-80页 |
| 4.3.3 量子计算加速概率分布估计 | 第80-82页 |
| 4.3.4 量子算法加速计算最大值 | 第82页 |
| 4.3.5 量子搜索算法加速求解变量的值域 | 第82-83页 |
| 4.3.6 复杂度分析 | 第83页 |
| 4.4 量子计算加速嵌入式特征选择选算法 | 第83-87页 |
| 4.4.1 嵌入式特征选择算法的矩阵运算 | 第83-84页 |
| 4.4.2 量子计算加速逆矩阵运算 | 第84-86页 |
| 4.4.3 量子计算加速矩阵乘积运算 | 第86-87页 |
| 4.5 本章小结 | 第87-88页 |
| 第五章 相关关系挖掘方法在文本数据上的应用 | 第88-98页 |
| 5.1 引言 | 第88页 |
| 5.2 文本特征提取 | 第88-89页 |
| 5.2.1 向量空间模型 | 第88-89页 |
| 5.2.2 N元模型 | 第89页 |
| 5.3 文本分类特征选择方法 | 第89-92页 |
| 5.3.1 文档频率法 | 第89-90页 |
| 5.3.2 互信息法 | 第90页 |
| 5.3.3 信息增益法 | 第90页 |
| 5.3.4 卡方统计法 | 第90-91页 |
| 5.3.5 最大判别法 | 第91-92页 |
| 5.4 实验分析 | 第92-97页 |
| 5.4.1 实验配置 | 第92页 |
| 5.4.2 Max-Interaction算法的实验结果 | 第92-94页 |
| 5.4.3 FJMI算法的实验结果 | 第94-97页 |
| 5.5 本章小结 | 第97-98页 |
| 第六章 全文总结与展望 | 第98-100页 |
| 6.1 全文总结 | 第98-99页 |
| 6.2 后续工作展望 | 第99-100页 |
| 致谢 | 第100-101页 |
| 参考文献 | 第101-112页 |
| 攻读博士学位期间取得的成果 | 第112页 |