基于k近邻多标签学习的数据降维算法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状分析 | 第11-14页 |
| 1.2.1 多标签数据降维研究现状 | 第12-13页 |
| 1.2.2 多标签数据分类研究现状 | 第13-14页 |
| 1.3 本文的主要内容和组织结构 | 第14-16页 |
| 1.3.1 主要内容 | 第14-15页 |
| 1.3.2 组织结构 | 第15-16页 |
| 第2章 背景知识 | 第16-26页 |
| 2.1 多标签学习分类 | 第16-20页 |
| 2.1.1 问题转换 | 第17-19页 |
| 2.1.2 算法改进 | 第19-20页 |
| 2.2 维数约简 | 第20-22页 |
| 2.2.1 特征选择 | 第21页 |
| 2.2.2 特征提取 | 第21-22页 |
| 2.3 评价指标 | 第22-23页 |
| 2.4 本章小结 | 第23-26页 |
| 第3章 PCAI数据降维算法的研究 | 第26-44页 |
| 3.1 相关知识 | 第26-30页 |
| 3.1.1 ML-kNN算法 | 第27-29页 |
| 3.1.2 PCA算法 | 第29-30页 |
| 3.2 PCAIML算法 | 第30-33页 |
| 3.2.1 PCAI算法 | 第30-32页 |
| 3.2.2 距离加权 | 第32-33页 |
| 3.2.3 PCAIML算法伪代码 | 第33页 |
| 3.3 信息容忍度分析 | 第33-39页 |
| 3.3.1 实验数据 | 第34页 |
| 3.3.2 比较方法及参数说明 | 第34-35页 |
| 3.3.3 信息容忍度取值分析 | 第35-39页 |
| 3.4 实验数据及结果分析 | 第39-43页 |
| 3.4.1 实验数据及参数说明 | 第39页 |
| 3.4.2 实验结果分析 | 第39-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 MRF-mRMR组合特征选择算法 | 第44-54页 |
| 4.1 相关知识 | 第44-47页 |
| 4.1.1 Relief特征选择算法 | 第45-46页 |
| 4.1.2 mRMR特征选择算法 | 第46-47页 |
| 4.2 MRF-mRMR组合特征选择算法 | 第47-49页 |
| 4.2.1 MRelief特征选择算法 | 第47-48页 |
| 4.2.2 MRF-mRMR特征选择算法 | 第48-49页 |
| 4.3 实验结果及分析 | 第49-53页 |
| 4.3.1 实验数据及参数说明 | 第49-50页 |
| 4.3.2 实验结果分析 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 工作总结 | 第54-55页 |
| 5.2 进一步展望 | 第55-56页 |
| 参考文献 | 第56-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间所发表的学术论文及所参加项目 | 第66页 |
