基于局部约束的自表示特征选择方法研究

《基于局部约束的自表示特征选择方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、—．．．＊．－．．？．．－＂－．＇？？．－－．＿、．．，一－＇，．．三学巧代码：１０２０Ｃ研巧生学夸：饼！別０２４？１分类号：ＴＴ汾巧化无？．一八＇－二戀义批呼么Ａ多硕ｄｒ学位论文基于局部釣束的宮朱乐铃化送緣分法巧义？、＿＇ｖ－．．ＳＵｉｄｙｏｎＦｅａｔｕｒｅＳｅ沁ｃｔｉｏｎＡｌｇｏｒｉ化曲ＢａｓｅｄｏｎＬｏｃａｌｉｔｙＣｏｎｓｔｒａｍｅｄＳｅｌ仁Ｒｅｒ说ｅｎ化村ｏｎｐ作者一，马书指导教师：吕巧华巧巧一级学科

2、：计ｇ桃科学与技术三级学科［：计？化应用技术硏巧方向：模《巧规学位类型：学术巧女■古－：一＇？、＇．／．＿’．＇丸＇＇．＇＇＾－＇．Ｖｖｖ‘＇■？？．．＝■？－．？、１．－、、．一’■１＾东北师范大学学位评定委员会瓦＾＾＾２０１６年４月．＇－；．＇－一－Ｔ；独创性声明本人郑重声明：所提交的学位论文是本人在导师指导下独立进行研充工作所取得的成果。据我所知，隙了特别加从标注和致谢的地方外，论文中

3、不包含其他人已经发表或撰写过的研究成果。对本人的研究做出重耍贵确的说由本人献的个人和集体，均已在文中作明。本声明的法律结果了明承担。－＾学位论文作者签名：三日期：／每和学位论文使用授权书本学位论文作者完全、使用学位论文的规了解东北师范乂学有关保留定，即：东北师范大学有权保留井向国家有关部口或机构送交学位论文的将。Ｗ复印件和电子版，允许论文被查阅和借阅本人授权东北师范火学可、，可＾＾采用影印缩学位论文的全部或部分内容编入有关数据库进行检索、汇。印或其它复制手段保存编本学位论文）（保密的

4、学位论文在解密后适用本授权书：学位论文作者名名：三指导教师签＾＾－－期：Ｗ‘日期石ｇ曰知乂学位论义作者毕业后去：向工作单位：：电话通讯地址：邮编：学校代码：10200研究生学号：2013102484分类号：TP39密级：无硕士学位论文基于局部约束的自表示特征选择方法研究StudyonFeatureSelectionAlgorithmBasedonLocalityConstrainedSelf-Representation作者：马书一指导教师：吕英华教授一级学科：计算机科学与技术二级学科：计算机应用技术研究方

5、向：模式识别学位类型：学术硕士东北师范大学学位评定委员会2016年4月摘要随着信息技术的快速发展，大规模的数据在数据挖掘、机器学习领域中出现，这些数据具有样本少和维数高等特点。这使图像处理、信息检索、文本分类、模式识别等问题面临着极大的挑战，同时也使得很多机器学习方法面临着“维数灾难”问题。如何从这些海量的数据中获取更具价值的信息成为一个研究的热点问题。特征选择方法的出现有效地改善了这一问题，达到了维数约简的目的，在机器学习和模式识别等相关领域获得了极为广泛的关注。特征选择是从原始的特征集合中选择符合某种评价标准最优的特征子集，目的

6、在于从原始数据样本集中选择具有代表性的特征，提高对数据分类或聚类等算法或应用的效果与性能，在文本分析、图像和视频识别等领域起到非常重要的作用。受到特征自表示理论的启发，正则化自表示算法(RegularizedSelf-Representation,RSR)已成为一种有效的无监督特征选择算法。但是，RSR方法仅考虑了特征的自表示能力而忽略了特征的局部结构保持能力，这限制了该特征选择方法的整体性能。为了克服上述局限性，本文通过引入编码高维数据特征局部几何结构信息的局部散度矩阵来保持输入数据的局部结构信息，提出一种新的无监督特征选择算法—

7、—基于局部约束的正则化自表示特征选择算法(LocalityConstrainedregularizedSelf-Representation,LCRSR)。此外，本文还提出一个简单且有效的迭代算法来求解LCRSR方法。为了验证特征选择方法的有效性，本文主要在5个常用的公开数据库(JAFFE、ORL、AR、COIL20和SRBCT)上进行了大量的实验，与目前较为流行的方法相比，本文方法获得了更好的识别结果。关键词：散度矩阵；局部结构；自表示；无监督特征选择IAbstractWiththerapiddevelopmentofinform

8、ationtechnology,amassofdatawhichcharacterizethelesssamplesandhighdimensionappearindatamining,machinelearningfields.Ho