检索结果-内蒙古大学图书馆

作者：庞晴晴苏州大学

学位级别：硕士

随着信息获取技术的发展,各领域的数据呈现高维化。高维数据的出现意味着我们可以获取更多有价值的信息,同时也意味着我们在处理数据和挖掘信息时会遇到更多的挑战。比如,高维数据的稀疏性会使得模型的训练以及参数的估计更加困难,会导... 详细信息

随着信息获取技术的发展,各领域的数据呈现高维化。高维数据的出现意味着我们可以获取更多有价值的信息,同时也意味着我们在处理数据和挖掘信息时会遇到更多的挑战。比如,高维数据的稀疏性会使得模型的训练以及参数的估计更加困难,会导致“维度灾难”问题。另外,随着数据维数的增长,特征的冗余度和无关性也会随之增长,这将不仅增加算法的时间复杂度,而且可能会降低算法的性能。研究人员采用降维技术将高维数据映射到低维空间中,以此来解决高维数据带来的问题。特征选择作为降维技术的一个重要研究方向,能有效地剔除不相关及冗余的特征,并保留数据的原始含义,可解释性强,便于研究人员对数据的后续探索。本文在拉普拉斯得分算法的基础上,针对半监督特征选择算法展开研究。拉普拉斯得分算法是一种简洁有效的无监督过滤式图拉普拉斯特征选择算法,已经被扩展到半监督学习领域。然而,拉普拉斯得分算法忽略特征之间的关系,只考虑特征的单局部结构,导致特征子集的冗余度较高。另外,针对带噪声特征的数据,已有的基于拉普拉斯得分的半监督方法并不能提取具有强判别能力的特征子集。为此,本文融入邻域判别的思想,通过计算邻域关系的基数而不是邻域相似度来衡量特征子集的判别能力。在此基础上,本文提出了三种基于拉普拉斯得分的半监督算法,具体总结如下:提出基于拉普拉斯得分的半监督判别特征选择算法。针对基于拉普拉斯得分的半监督算法对噪声特征数据不能很好地提取判别特征的问题,本文提出了基于拉普拉斯得分的半监督判别特征选择算法。本文算法利用拉普拉斯得分算法来度量数据的单局部结构,并利用邻域判别增益来衡量特征子集的判别能力,从而提高了算法提取判别特征的能力。在人工数据集以及UCI数据集上,我们验证了所提方法能有效地筛选出具有判别能力的特征,并提高了分类的准确率。提出基于修正拉普拉斯得分的半监督判别特征选择算法。针对拉普拉斯得分算法不能衡量特征之间关联性的问题,本文提出了无监督的修正拉普拉斯得分算法。该无监督算法可以衡量特征子集的联合局部结构。进一步,我们将该无监督算法与邻域判别指数相结合,提出了基于修正拉普拉斯得分的半监督判别特征选择算法。实验结果验证了基于修正拉普拉斯得分的半监督判别特征选择算法具有更好的分类准确率,并能有效地处理高维数据。提出基于前向迭代拉普拉斯得分的半监督判别特征选择算法。在修正拉普拉斯得分算法的基础上,本文先提出无监督的前向迭代拉普拉斯得分算法。该无监督算法能衡量特征子集的联合局部结构保持能力。结合邻域判别增益,本文提出基于前向迭代拉普拉斯得分的半监督判别特征选择算法。在文中,我们对修正拉普拉斯得分算法和邻域关系进行了理论分析,以此来优化前向迭代拉普拉斯得分算法的迭代过程以及邻域判别指数的计算过程。实验结果说明了该算法可以在保证准确率的同时,还能降低时间的消耗。

关键词：特征选择半监督学习拉普拉斯得分邻域关系判别指数

来源：评论

学校读者我要写书评

暂无评论

基于改进HHT的矿山微震信号多尺度特征提取及分类研究

引用

矿冶工程 2022年第6期42卷 7-12页

作者：王英乐左宇军陈斌林健云郑禄璟万入祯贵州大学矿业学院贵州贵阳550025

针对矿山微震与爆破信号难以识别问题,提出基于改进Hilbert-Huang变换(HHT)的矿山微震信号识别方法。该方法引入互补集合经验模态分解(CEEMD)对HHT改进,信号被自适应分解后,计算IMF分量的偏度、峭度、Hilbert边际谱能量、Lempel-Ziv复... 详细信息

针对矿山微震与爆破信号难以识别问题,提出基于改进Hilbert-Huang变换(HHT)的矿山微震信号识别方法。该方法引入互补集合经验模态分解(CEEMD)对HHT改进,信号被自适应分解后,计算IMF分量的偏度、峭度、Hilbert边际谱能量、Lempel-Ziv复杂度以及重构信号的分形盒维数,运用拉普拉斯得分(LS)对5种时频域特征参数降维,最后通过遗传算法(GA)优化的支持向量机(SVM)模型,实现微震信号的分类识别。经400组微震和爆破信号的实例分析验证,两类信号的5种特征参数均有较大差异,改进HHT法识别效果优于传统经验模态分解法(EMD)和局部均值分解法(LMD),且基于改进HHT和GA-SVM分类模型准确率达到95%,证实了此识别方法的准确性。

关键词：微震信号爆破信号信号识别模式识别互补集合经验模态分解 Hilbert-Huang变换拉普拉斯得分

来源：评论

学校读者我要写书评

暂无评论

基于mRMR-XGB-LS算法的信用评估分类模型

引用

运筹与模糊学 2023年第2期13卷 447-456页

作者：刘文杰上海工程技术大学数理与统计学院上海

信用评估领域时刻都在产生大量数据,一方面,这些数据中隐藏的数据结构具有很大价值;另一方面,信用数据通常存在着高维冗余、缺乏标签的特点,无法直接进行分析和研究。因此,为了去除信用数据冗余性和挖掘数据结构,本文结合过滤法高效简... 详细信息

信用评估领域时刻都在产生大量数据,一方面,这些数据中隐藏的数据结构具有很大价值;另一方面,信用数据通常存在着高维冗余、缺乏标签的特点,无法直接进行分析和研究。因此,为了去除信用数据冗余性和挖掘数据结构,本文结合过滤法高效简单、嵌入式分类性能优越和无监督特征选择方法不需要样本类别标签的优点,提出一种基于mRMR、XGBoost和拉普拉斯得分算法的信用评估分类模型。首先,对半监督数据中的有标记训练集分别执行mRMR算法和XGBoost算法,在有标记和无标记训练集上执行拉普拉斯得分算法,分别得到特征的排序。其次,根据特征的排序分别赋予特征相应的权重,并进行简单求和得到每个特征的最终权重。接着,按照权重大小选出最优的特征子集,去除无关冗余的特征。最后,基于XGBoost、LightGBM和CatBoost构建信用评估分类模型,以G值和F值来度量不同特征选择方法下模型的分类性能。实验结果表明,本文模型在不同的标记样本率和数据集下均具有较高的G值和F值,能够有效筛选特征、减少数据冗余性,提高数据的分类性能和对少数类的识别能力。

关键词：信用评估半监督特征选择分类模型 XGBoost mRMR 拉普拉斯得分

来源：评论

学校读者我要写书评

暂无评论

基于改进HHT和SVM的滚动轴承故障状态识别

引用

噪声与振动控制 2021年第1期41卷 89-94,107页

作者：王圣杰殷红彭珍瑞兰州交通大学机电工程学院兰州730070

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(S... 详细信息

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中。首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用LS得分对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别。通过轴承不同状态下的试验数据验证本文方法,结果表明所提方法能够有效识别轴承不同故障状态。

关键词：故障诊断集合经验模态分解 Hilbert-Huang变换拉普拉斯得分支持向量机状态识别

来源：评论

学校读者我要写书评

暂无评论

基于LS和MTS的两阶段滚动轴承故障特征选择方法

引用

电子测量与仪器学报 2020年第4期32卷 186-193页

作者：彭宅铭程龙生詹君姚启峰南京理工大学经济管理学院南京210094

滚动轴承故障预测和健康管理(PHM)方法可以提取大量的故障特征数据,这些数据虽然有很大的潜在价值,但也存在高维、高冗余性的特点,难以直接分析和利用。因此,针对轴承故障特征数据的特点,以去除数据冗余性、筛选敏感特征为目的,提出两... 详细信息

滚动轴承故障预测和健康管理(PHM)方法可以提取大量的故障特征数据,这些数据虽然有很大的潜在价值,但也存在高维、高冗余性的特点,难以直接分析和利用。因此,针对轴承故障特征数据的特点,以去除数据冗余性、筛选敏感特征为目的,提出两阶段特征选择算法。该方法的第1阶段采用拉普拉斯得分(LS)对原始特征按局部保持能力进行排序,利用互信息聚类算法删除特征集中的冗余特征。第2阶段采用多变量模式识别中的马田系统(MTS)方法对剩余特征进行综合评价,挖掘对故障分类更有效的特征。轴承退化仿真试验数据验证结果表明,提出的两阶段特征选择算法可以有效地去除冗余度、提高故障监测准确率,可以有效的运用到滚动轴承的初期故障检测中。

关键词：特征选择拉普拉斯得分互信息马田系统故障检测

来源：评论

学校读者我要写书评

暂无评论

面向制造过程数据的两阶段无监督特征选择方法

引用

机械工程学报 2019年第17期55卷 133-144页

作者：张洁盛夏张朋秦威赵新明上海交通大学机械与动力工程学院上海200240 东华大学机械工程学院上海201620

现代化制造车间无时无刻不在产生大量数据,其中绝大部分以无标签结构化原始数据的形式存储在现代化制造企业的工业大数据平台中。这些制造数据一方面具有很大的潜在价值,另一方面因为其具有高噪声、高冗余性的特点,难以直接分析与利用... 详细信息

现代化制造车间无时无刻不在产生大量数据,其中绝大部分以无标签结构化原始数据的形式存储在现代化制造企业的工业大数据平台中。这些制造数据一方面具有很大的潜在价值,另一方面因为其具有高噪声、高冗余性的特点,难以直接分析与利用。因此,针对制造过程原始数据的特点,以去除制造数据冗余性、挖掘原始数据局部结构为目的,提出一种两阶段无监督特征选择方法。该方法的第一阶段采用遗传算法产生的原始数据的低维子集作为径向基神经网络(Radial basis fuctionneural network, RBFNN)的输入,利用RBFNN复现原始数据的全部维度,并以降维率及复现精度作为遗传算法(Geneticalgorithm, GA)的适应度函数,通过GA多次迭代学习高维特征的低维表示,删除原始数据集中的冗余特征与噪声特征。第二阶段采用拉普拉斯特征得分(Laplacian score, LS)逐维评价剩余特征对于反映数据局部几何结构的作用,挖掘对改善分类性能更有效的特征。通过与LS等无监督特征选择算法对比,验证了提出的两阶段无监督特征选择方法能够有效降低制造数据的冗余性,并提高数据的分类性能。

关键词：无监督特征选择遗传算法径向基神经网络拉普拉斯得分制造过程数据

来源：评论

学校读者我要写书评

暂无评论

面向社会化推荐的托攻击及检测研究

面向社会化推荐的托攻击及检测研究

引用

作者：李文涛重庆大学

学位级别：硕士

随着电子商务零售业的迅猛发展和社交网络营销的兴起,以用户间社交关系作为额外输入的社会化推荐系统成为新的研究方向。社会化推荐系统基于社交关系体现用户间相似性这一假设,对解决传统推荐系统中存在的冷启动问题及提高推荐结果的准... 详细信息

随着电子商务零售业的迅猛发展和社交网络营销的兴起,以用户间社交关系作为额外输入的社会化推荐系统成为新的研究方向。社会化推荐系统基于社交关系体现用户间相似性这一假设,对解决传统推荐系统中存在的冷启动问题及提高推荐结果的准确性具有重要作用。但社会化推荐系统天然开放性的特点,使其容易受到托攻击者注入虚假欺骗信息(虚假评分或虚假关系等)的影响。此类攻击称为“托攻击”,托攻击严重影响了推荐结果的公正性和真实性,降低了用户对系统的信任度。社会化推荐系统可以看成是传统推荐系统与在线社交网络结合的产物。现有研究大多关注评分驱动的推荐系统或关系驱动的社交网络中托攻击的检测问题,而较少关注同时受评分和关系驱动的社会化推荐系统可能受到的攻击形式与检测手段。针对现有研究的不足,本文首先对社会化推荐系统中的托攻击者的行为方式进行建模,然后提出用于检测推荐系统与社交网络中虚假欺骗信息的特征提取方法,进而得到社会化推荐系统中的托攻击检测技术。本文分别从以下几个方面展开研究:(1)构建面向社会化推荐系统的托攻击模型,并从攻击成本与攻击效果角度对所提模型进行分析。托攻击模型是托攻击者向系统注入虚假用户概貌的手段。通过分析现有社会化推荐技术的工作原理,归纳出托攻击者可能的攻击形式,从而提出托攻击模型。然后分析攻击模型对推荐结果的影响得到所提托攻击模型对社会化推荐系统的攻击效果。(2)针对评分驱动的推荐系统中的托攻击问题,提出一种基于流行度分类特征的托攻击检测方法。推荐系统中托攻击者通过注入虚假评分影响推荐结果,传统方法大多从托攻击者的评分方式入手,此类方法难以对新形式攻击进行检测。为了解决这个问题,从托攻击者与正常用户不同的项目选择行为入手,分析用户概貌中项目流行度分布存在的差异,得到用于检测推荐系统托攻击的特征提取方法,最后结合分类器对推荐系统中的托攻击进行检测。(3)针对关系驱动的社交网络中的托攻击问题,提出一种基于拉普拉斯得分的托攻击检测方法。社交网络中托攻击者通过注入虚假关系提升自己的影响力,从而达到传播虚假信息的目的。现有方法在训练模型时使用的特征维度较高,造成检测准确性不足。为了解决这个问题,提出无监督的特征选择方法,该方法通过拉普拉斯得分衡量特征的局部信息保持能力,以进行特征选择。在此基础上,结合半监督学习方法对社交网络中的托攻击进行检测。(4)面向社会化推荐系统中的托攻击检测问题,提出一种基于半监督协同训练的社会化推荐系统托攻击检测方法。社会化推荐系统中的用户包括评分特征与关系特征,因此可以利用推荐系统与社交网络中检测托攻击的特征提取方法,得到用户评分视图与关系视图的特征。同时考虑到系统中标签不足问题,将半监督协同训练算法用于模型构建,在两个独立的特征子图上分别训练分类器,从而对社会化推荐系统中的托攻击进行检测。

关键词：社会化推荐系统托攻击流行度拉普拉斯得分协同训练

来源：评论

学校读者我要写书评

暂无评论

基于标签重构的弹载毫米波距离像识别算法

引用

太赫兹科学与电子信息学报 2016年第3期14卷 336-339,354页

作者：王剑桥李跃华陈建飞南京理工大学电子工程与光电技术学院江苏南京210094

毫米波引信通过发射宽带信号获得目标的精细结构信息,然而在非合作目标的探测与识别过程中,由于缺乏目标的类别信息,大量的目标样本无法得到充分的利用。针对这一问题,将基于拉普拉斯得分(LS)的监督特征选择算法推广到半监督情况,得到... 详细信息

毫米波引信通过发射宽带信号获得目标的精细结构信息,然而在非合作目标的探测与识别过程中,由于缺乏目标的类别信息,大量的目标样本无法得到充分的利用。针对这一问题,将基于拉普拉斯得分(LS)的监督特征选择算法推广到半监督情况,得到基于标签重构的拉普拉斯得分算法(LRLS),并应用到非合作目标的识别中。LRLS的理论框架与LS相同,并利用标签重构技术获得半监督情况下的图拉普拉斯矩阵。为了更好地描述高维目标样本的相似性,在标签重构的过程中使用测地距离代替欧氏距离。实验结果表明,相对于传统的特征选择算法,LRLS能够得到更好的识别效果。

关键词：标签重构特征选择拉普拉斯得分半监督学习

来源：评论

学校读者我要写书评

暂无评论

基于RBF神经网络的头相关传输函数的个性化建模方法

引用

上海大学学报（自然科学版） 2014年第2期20卷 157-164页

作者：黄青华李琳赖士村上海大学通信与信息工程学院上海200444

采用主成分分析方法提取头相关传输函数(head-ralated transfer function,HRTF)的个性化系数,计算了影响HRTF的人体参数的拉普拉斯得分,并联合Pearson相关系数提取出对HRTF影响显著的关键人体参数;构建了径向基函数(radial basis functi... 详细信息

采用主成分分析方法提取头相关传输函数(head-ralated transfer function,HRTF)的个性化系数,计算了影响HRTF的人体参数的拉普拉斯得分,并联合Pearson相关系数提取出对HRTF影响显著的关键人体参数;构建了径向基函数(radial basis function,RBF)神经网络,学习关键人体参数到头相关传输函数个性化系数的非线性映射模型,利用简单的人体参数测量估计出待测者的个性化头相关传输函数.通过实验仿真与偏最小二乘回归(partial least squares regression,PLSR)法比较可知。

关键词：头相关传输函数个性化拉普拉斯得分 RBF神经网络

来源：评论

学校读者我要写书评

暂无评论

基于改进随机游走的图像检索方法研究

基于改进随机游走的图像检索方法研究

引用

作者：王雪丽东北师范大学

学位级别：硕士

众所周知图像高层语义特征和图像底层特征之间存在着“鸿沟”，因此，视觉特征的表达和模拟用户感知相似度的度量在图像检索中占据很重要的位置。而基于内容的图像检索的效率很大程度上依赖于视觉特征和模拟用户感知相似度的度量。为了... 详细信息

众所周知图像高层语义特征和图像底层特征之间存在着“鸿沟”，因此，视觉特征的表达和模拟用户感知相似度的度量在图像检索中占据很重要的位置。而基于内容的图像检索的效率很大程度上依赖于视觉特征和模拟用户感知相似度的度量。为了更有效地挖掘用户的检索意图，提高检索系统的效率，在图像检索中引入反馈机制。相关反馈技术是交互式的，它将用户对图像的主观感知融合到图像检索中，整个检索过程也是一个学习过程。基于随机游走的图像检索一种相对比较完善的反馈式检索。但是通常，基于随机游走的图像检索没有考虑每维特征的重要程度和图像间的空间关系。针对以上问题，本文提出了改进的随机游走检索算法。利用不同的数据库和提取不同的图像特征，将本文提出的方法与目前几种流行的检索方法进行了比较，大量实验结果充分表明，本文提出的方法的检索效率有明显提升。本论文在以下两方面做了研究：第一，利用拉普拉斯得分(Laplacian Score)对每维特征进行加权。对于每维特征，Laplacian Score代表其保持局部结构的能力，体现每维特征的重要程度。第二，将k近邻算法与基于随机游走的图像检索结合。k近邻算法基本思想是在训练样本的集合中找到测试样本点的k个近邻，然后使得测试样本的类别与这k个近邻中出现最多的那个类别保持一致。将k近邻算法与随机游走方法结合很好地利用了图像间的空间关系。将这两方面的工作与基于随机游走的图像检索方法结合，既能区分每维特征在检索过程中的重要程度，又能充分利用图像间的空间关系，深入挖掘用户的检索意图，实现提高检索效率的目的。因此，本文为基于内容的图像检索工作做了一个初步的探索。

关键词：基于内容的图像检索相关反馈随机游走拉普拉斯得分 k近邻

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：