基于局部学习的特征选择方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-19页 |
| 第一节 引言 | 第8-9页 |
| 第二节 研究背景 | 第9-14页 |
| 1.2.1 特征选择框架 | 第9-12页 |
| 1.2.2 特征选择模型 | 第12-14页 |
| 第三节 局部学习的相关介绍 | 第14-16页 |
| 1.3.1 大间隔理论和谱图理论概述 | 第14-15页 |
| 1.3.2 基于局部学习的特征选择研究面临的挑战 | 第15-16页 |
| 第四节 研究内容和创新点 | 第16-17页 |
| 第五节 文章组织结构 | 第17-19页 |
| 第二章 相关工作 | 第19-25页 |
| 第一节 基于局部学习的有监督特征选择算法 | 第19-22页 |
| 2.1.1 基于局部适应全局思考的特征选择算法 | 第19-21页 |
| 2.1.2 基于损失间隔的特征选择算法 | 第21-22页 |
| 第二节 基于局部学习的无监督特征选择算法 | 第22-24页 |
| 2.2.1 非负判别特征选择算法 | 第22-23页 |
| 2.2.2 结构化最优图特征选择算法 | 第23-24页 |
| 第三节 本章小结 | 第24-25页 |
| 第三章 基于局部最近邻的有监督特征权重模型 | 第25-42页 |
| 第一节 研究必要性与本章贡献 | 第25-27页 |
| 第二节 基于局部最近邻的特征权重损失函数 | 第27-31页 |
| 3.2.1 损失函数 | 第27-29页 |
| 3.2.2 损失函数分析 | 第29-31页 |
| 第三节 优化过程 | 第31-33页 |
| 第四节 实验结果与分析 | 第33-41页 |
| 3.4.1 噪声特征测试 | 第33-35页 |
| 3.4.2 分类性能测试 | 第35-41页 |
| 第五节 本章小结 | 第41-42页 |
| 第四章 基于联合聚类的无监督特征选择模型 | 第42-62页 |
| 第一节 研究必要性与本章贡献 | 第42-43页 |
| 第二节 基于联合聚类的特征选择评估标准 | 第43-46页 |
| 4.2.1 改进的谱聚类特征选择模型 | 第43-44页 |
| 4.2.2 联合聚类特征选择模型及分析 | 第44-46页 |
| 第三节 优化过程 | 第46-50页 |
| 4.3.1 交替优化 | 第46-47页 |
| 4.3.2 算法流程及时间复杂度分析 | 第47-48页 |
| 4.3.3 收敛性分析 | 第48-50页 |
| 第四节 实验结果与分析 | 第50-61页 |
| 4.4.1 实验设置 | 第50-52页 |
| 4.4.2 聚类性能评估 | 第52页 |
| 4.4.3 噪声特征测试 | 第52-59页 |
| 4.4.4 参数敏感性和算法收敛性测试 | 第59-61页 |
| 第五节 本章小结 | 第61-62页 |
| 第五章 总结及展望 | 第62-65页 |
| 第一节 全文工作总结 | 第62-63页 |
| 第二节 未来研究展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-72页 |
| 个人简历 在学期间发表的学术论文与研究成果 | 第72页 |
