第一个书签之前
摘要
ABSTRACT
插图索引
表格索引
符号对照表
缩略语对照表
第一章 绪论
1.1 降维的背景及意义
1.2 特征选择算法的简介及发展现状
1.2.1 特征提取简介
1.2.2 特征选择简介
1.3 本文内容及结构安排
第二章 基于非负矩阵分解和正则化稀疏回归的无监督特征选择
2.1 引言
2.2 相关工作
2.2.1 特征选择问题的描述
2.2.2 NMF的基本概念
2.3 基于非负矩阵分解和正则化稀疏回归的无监督特征选择
2.3.1 JMFSR算法目标函数
2.3.2 与RSR之间的关联
2.3.3 与MFFS之间的关联
2.3.4 优化方法
2.3.5 收敛性分析
2.4 实验结果及其分析
2.4.1 数据集介绍
2.4.2 对比算法
2.4.3 评估准则
2.4.4 实验设置
2.4.5 有效性实验
2.4.6 对比实验
2.4.7 参数敏感性分析
2.5 本章小结
第三章 基于自表示稀疏回归和局部相似性保护的无监督特征选择
3.1 引言
3.2 基于自表示稀疏回归和局部相似性保护的无监督特征选择
3.2.1 L2,p矩阵范数
3.2.2 UFSRL算法目标函数
3.2.3 与其他方法的比较
3.2.4 优化方法
3.2.5 UFSRL算法流程
3.2.6 收敛性分析
3.3 实验结果及其分析
3.3.1 数据集介绍
3.3.2 对比算法
3.3.3 评估准则
3.3.4 实验设置
3.3.5 有效性实验
3.3.6 对比实验
3.3.7 时间复杂度分析
3.3.8 参数敏感性分析
3.4 本章总结
第四章 基于自表示和非负矩阵分解的混合图正则化特征选择
4.1 引言
4.2 基于自表示和非负矩阵分解的混合图正则化特征选择算法
4.2.1 图拉普拉斯矩阵
4.2.2 SRMFMR算法目标函数
4.2.3 优化方法
4.2.4 收敛性分析
4.2.5 SRMFMR算法分析
4.3 实验结果与分析
4.3.1 数据集介绍
4.3.2 实验设置
4.3.3 对比算法
4.3.4 有效性实验
4.3.5 对比实验
4.3.6 本文三种算法对比
4.3.7 参数敏感性分析
4.3.8 收敛性实验
4.4 本章总结
第五章 总结与展望
5.1 本文总结
5.2 工作展望
参考文献
致谢
作者简介
西安电子科技大学;