| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第19-29页 |
| 1.1 背景介绍和研究意义 | 第19-21页 |
| 1.2 国内外研究现状 | 第21-27页 |
| 1.2.1 大数据国内外研究现状 | 第21-23页 |
| 1.2.2 面向大数据的特征选择国内外研究现状 | 第23-25页 |
| 1.2.3 面向大数据的特征学习国内外研究现状 | 第25-27页 |
| 1.3 本文的研究内容和组织结构 | 第27-29页 |
| 第2章 预备知识 | 第29-39页 |
| 2.1 粗糙集模型 | 第29-32页 |
| 2.1.1 决策信息系统 | 第29页 |
| 2.1.2 二元关系 | 第29-30页 |
| 2.1.3 经典粗糙集模型 | 第30-31页 |
| 2.1.4 扩展的粗糙集模型 | 第31-32页 |
| 2.2 自编码器 | 第32-38页 |
| 2.2.1 经典自编码器 | 第32-34页 |
| 2.2.2 正则自编码器 | 第34-35页 |
| 2.2.3 降噪自编码器 | 第35-36页 |
| 2.2.4 收缩自编码器 | 第36-38页 |
| 2.3 本章小节 | 第38-39页 |
| 第3章 并行大规模特征选择 | 第39-65页 |
| 3.1 引言 | 第39页 |
| 3.2 特征选择方法 | 第39-41页 |
| 3.2.1 特征选择的基本框架 | 第39页 |
| 3.2.2 产生过程 | 第39-40页 |
| 3.2.3 评价函数 | 第40-41页 |
| 3.3 并行特征提取方法 | 第41-42页 |
| 3.3.1 模型并行方法 | 第41页 |
| 3.3.2 数据并行方法 | 第41-42页 |
| 3.3.3 模型-数据并行方法 | 第42页 |
| 3.4 并行特征提取算法 | 第42-56页 |
| 3.4.1 启发式特征选择算法 | 第43-44页 |
| 3.4.2 代表性的评价函数 | 第44-50页 |
| 3.4.3 基于MapReduce的并行算法 | 第50-54页 |
| 3.4.4 基于Spark的大规模并行属性约简算法 | 第54页 |
| 3.4.5 基于粒计算的大规模并行属性约简加速算法 | 第54-56页 |
| 3.5 实验分析 | 第56-64页 |
| 3.5.1 数据集和实验平台 | 第57页 |
| 3.5.2 与串行算法比较 | 第57-58页 |
| 3.5.3 不同并行算法之间的比较 | 第58-62页 |
| 3.5.4 高维数据上的表现 | 第62-63页 |
| 3.5.5 实际大数据中的应用 | 第63-64页 |
| 3.6 本章小节 | 第64-65页 |
| 第4章 复杂数据融合与高效学习算法 | 第65-85页 |
| 4.1 引言 | 第65页 |
| 4.2 复合粗糙集模型 | 第65-68页 |
| 4.3 近似集的矩阵表示方法 | 第68-71页 |
| 4.3.1 近似集的矩阵表示方法 | 第68-70页 |
| 4.3.2 近似集的布尔矩阵表示方法 | 第70-71页 |
| 4.3.3 复合决策信息系统中的布尔矩阵方法 | 第71页 |
| 4.4 算法设计与复杂度分析 | 第71-74页 |
| 4.4.1 基于布尔矩阵的近似集计算算法 | 第71-72页 |
| 4.4.2 基于矩阵的近似集计算的批处理算法 | 第72-74页 |
| 4.5 并行近似集计算方法及基于GPU的并行算法 | 第74-79页 |
| 4.5.1 并行近似集计算方法 | 第74-75页 |
| 4.5.2 GPU架构与CUDA | 第75-76页 |
| 4.5.3 基于Single-GPU的近似集计算算法 | 第76-77页 |
| 4.5.4 基于Multi-GPU的近似集计算算法 | 第77-79页 |
| 4.6 实验分析 | 第79-82页 |
| 4.6.1 实验设置 | 第79页 |
| 4.6.2 批处理算法的性能 | 第79-80页 |
| 4.6.3 GPU算法的性能 | 第80-81页 |
| 4.6.4 Multi-GPU的性能 | 第81-82页 |
| 4.7 本章小节 | 第82-85页 |
| 第5章 基于深度学习的特征表示模型 | 第85-103页 |
| 5.1 引言 | 第85-86页 |
| 5.2 特征学习模型介绍 | 第86-93页 |
| 5.2.1 问题陈述 | 第86-87页 |
| 5.2.2 主网络 | 第87-88页 |
| 5.2.3 辅助网络 | 第88-90页 |
| 5.2.4 桥 | 第90-91页 |
| 5.2.5 优化算法 | 第91页 |
| 5.2.6 模型扩展 | 第91-93页 |
| 5.3 基于SUGAR的深度学习模型 | 第93-94页 |
| 5.4 实验分析 | 第94-101页 |
| 5.4.1 数据集 | 第95-96页 |
| 5.4.2 超参数选择 | 第96-97页 |
| 5.4.3 性能评估 | 第97-101页 |
| 5.5 本章小节 | 第101-103页 |
| 第6章 特征学习模型在天文光谱识别中的应用 | 第103-121页 |
| 6.1 引言 | 第103-105页 |
| 6.2 局部线性深度学习模型 | 第105-110页 |
| 6.2.1 深度学习模型 | 第106页 |
| 6.2.2 局部线性的隐含层 | 第106-108页 |
| 6.2.3 深度学习中的Dropout技术 | 第108页 |
| 6.2.4 LLDL的代价函数 | 第108-110页 |
| 6.2.5 随机梯度下降算法 | 第110页 |
| 6.3 实验分析 | 第110-119页 |
| 6.3.1 实验设置 | 第110-111页 |
| 6.3.2 评估度量 | 第111页 |
| 6.3.3 数据集 | 第111-113页 |
| 6.3.4 不同关键部分的作用 | 第113-115页 |
| 6.3.5 处理性能 | 第115-116页 |
| 6.3.6 分类结果比较 | 第116-119页 |
| 6.4 本章小节 | 第119-121页 |
| 第7章 总结与展望 | 第121-123页 |
| 7.1 本文总结 | 第121-122页 |
| 7.2 研究展望 | 第122-123页 |
| 致谢 | 第123-125页 |
| 参考文献 | 第125-141页 |
| 攻读博士学位期间发表、录用和完成的学术论文 | 第141-143页 |
| 攻读博士学位期间主持或参与的科研项目 | 第143页 |
