【摘 要】
：
特征选择是维数约简的一种重要手段，其通过保留有效特征，消除无关和冗余特征，从原始特征集中选择一部分特征构成特征子集，从而达到数据降维的目的。然而，现有的一些特征选择算法难以保证在选择过程中同时考虑特征的相关性、冗余性和交互性三方面性质，导致算法的特征选择性能有限。此外，随着深度学习技术的发展，卷积神经网络在各个领域的应用越来越广泛，其常被用于提取图像特征，但大多数特征选择算法针对的都是传统的数据集
论文部分内容阅读
特征选择是维数约简的一种重要手段，其通过保留有效特征，消除无关和冗余特征，从原始特征集中选择一部分特征构成特征子集，从而达到数据降维的目的。然而，现有的一些特征选择算法难以保证在选择过程中同时考虑特征的相关性、冗余性和交互性三方面性质，导致算法的特征选择性能有限。此外，随着深度学习技术的发展，卷积神经网络在各个领域的应用越来越广泛，其常被用于提取图像特征，但大多数特征选择算法针对的都是传统的数据集，而缺乏对网络提取的特征的研究。针对以上两个问题，本文主要工作如下：
针对现有的一些特征选择算法在特征选择过程中，对特征间冗余性考虑不足的问题，本文基于互信息理论，在动态更新候选特征权重的算法框架基础上，提出了一种采用冗余性动态权重的特征选择算法。该算法在特征选择过程中能够在考虑特征相关性和交互性的基础上，同时考虑特征间的冗余性，从而保证能够取得较好的特征选择效果。
针对现有的特征选择算法缺乏对网络提取的特征研究的问题，本文以细粒度图像分类为目标，通过分析卷积神经网络提取特征的过程，从网络中获取图像特征，并利用传统的特征选择算法对图像特征进行选择，从而达到削减网络节点数目，减少网络参数量，提升分类正确率的目的。
其他文献
道路交通标志是保证驾驶安全、交通顺畅所设置的指示性标志，遵守交通标志的指示是每个驾驶员的义务，然而由于漏看或误判交通标志所造成的交通违章时有发生，甚至有时还会造成严重的交通事故，危害人身财产安全。因此，交通标志检测算法的研究显得尤为重要。随着计算机视觉理论不断发展，卷积神经网络被广泛应用于目标检测领域，在交通标志检测课题上得到了广泛的应用与发展。应用于无人驾驶或辅助驾驶领域的交通标志检测算法成为了
近年来声源定位技术发展迅猛，已经成为声学和阵列信号处理领域的热点问题，其在语音增强、视频会议、鸣笛抓拍、智能机器人、智能家居等领域已经被广泛应用。 声源定位技术是在模拟动物双耳效应的基础上，融合音频信号处理、阵列信号处理、机器学习、数字信号处理等多个学科的一项技术，通过麦克风阵列获取目标声源发出的信息参数，测定声源到麦克风阵列中心的距离以及方向角和俯仰角，实现对目标声源的识别、跟踪与定位。本文以
近年来，面对现代化城市监控系统日益增长的多媒体数据，例如图像、音频、视频等数据，如何快速且高效地处理海量数据成为当前亟待解决的问题之一。尤其是如何精确地分析来往的行人，进而快速甄别出对人民生命财产安全有危害的人和物是完善城市安防的关键。行人属性识别技术能够根据行人图像得到行人所具有的属性。然而现有的大多数行人属性识别的方法将其看作是图像的多分类任务，将属性看作是独立的部分，忽略了不同属性之间的关联
水声无线传感器网络(UAWSNs)具有重要的实用价值，能够应用在海洋环境测量、海啸预警、海洋军事国防等领域。UAWSNs是无线传感器网络(WSNs)在水下环境的拓广。UAWSNs的水声信道情况要比陆地无线信道复杂得多，传统的WSNs的网络协议往往不能直接应用到UAWSNs中。 在UAWSNs中，水声信号传输速率低，传输延迟长，可用带宽窄，多径效应严重。移动水声通信会伴随严重的多普勒效应。为了保证
目前大多数张量填充方法均假设缺失元素的位置服从随机分布，但实际中张量数据不仅存在随机元素缺失的情况，还可能存在整条纤维或整个切片缺失的情况，即结构性缺失，此时仅利用低秩约束不足以填充这种结构性缺失，还需要针对这种结构性缺失加入其它的先验约束。为此，本文利用张量的TensorTrain(TT)和Tucker展开方式，以低秩矩阵填充和稀疏表示理论为基础，提出了一种针对既带有随机缺失又带有结构性缺失元素
在许多现代通信系统中，常采用在发射机中对发射信号进行卷积编码、在接收机中对接收信号进行Viterbi译码的方式来保证通信的可靠性。其中，Viterbi译码算法能高效地纠正由于信道噪声和其他干扰因素引起的错误，是实现低误码率的关键。基于应用场景的不同，Viterbi译码器可在基于SRAM的现场可编程门阵列(SRAM based Field Programmable Gate Array， SRAM-
大数据与深度学习的发展极大促进了图像分类技术的进步。由于深度学习的数据驱动和监督式学习特性，在训练阶段需要大规模标注样本。然而，现实世界包含数以万计的类别，人工标注需要极高人力物力，且对于某些稀缺类别，往往难以获取充足样本支撑训练。为此，无需标注样本即可对新类别进行预测的零样本学习(Zero-shot Learning，ZSL)逐渐受到关注。零样本学习模仿人类可利用辅助语义信息对未见事物进行推断的
水声多载波通信技术是当今水下通信中应用最为广泛的一种技术，具有传输速率高、鲁棒性好以及传播距离远等优点。但是，水声通信信道具有带宽受限、多径效应严重、多普勒效应严重等特点，多载波通信在水声通信方面依然面临着许多挑战。其中严重的多普勒效应对多载波通信影响巨大。 本文设计了一种新型的多载波调制方式，提升系统传输效率，并添加合适的多普勒估计补偿技术，用于水声通信系统中，提升多载波通信系统的传输性能。本
随着互联网规模的爆炸式增长，雾计算、人工智能等创新技术的不断发展，互联网加速了由“通信信道”向“数据处理平台”的角色转变。在此情况下，一种以网内缓存为特色、面向通信内容的新型互联网架构——命名数据网，于2010年被提出并迅速得到国内外学术界的广泛关注。然而，命名数据网各领域的研究尚有大量技术瓶颈需要解决，特别是其内容路由器转发平面，仍然面临着诸如快速检索差异化名称数据、高效存储转发信息、有效支持名
随着信息技术的飞速发展，电子信息技术在如今的战争局势也发挥着越来越重要的作用。在电子对抗领域，对非合作目标源的定位问题一直是国内外学者广泛研究的热点。区别于雷达等对辐射源发射信号并接收回波的有源探测方式，无源定位是通过检测和估计辐射源的电磁波参数来确定辐射源位置。由于多站联合定位的方式效率低下并且风险较大，因此本文对实际应用更为灵活的单站无源定位展开研究。 本文主要对无源感知问题中的目标定位模型