无监督特征选择相关论文
随着涉及的数据越来越复杂,在机器学习、数据挖掘等领域,对于一些高维数据,例如图像、文本和音视频等数据的处理需求明显增加了。......
随着信息技术的快速发展,社会各个领域出现了具有多元化和高维化等特点的海量数据。这些数据中包含着大量不相关和冗余的特征,给许......
随着互联网技术和社会的进步发展,各个科学领域都产生了大量、多维、结构复杂的数据。分析和研究过程中,存在的大量高维数据和未标......
随着人工智能与大数据时代的到来,描述数据的特征数量在许多领域中都呈现爆炸式增长。高维数据集给传统的学习算法的性能产生了不......
为了更好地挖掘样本之间的相关性以及更精确地进行特征选择,结合内积正则项与自表示的l2,1范数对无监督特征选择模型进行重构,其中......
随着大数据时代的来临,需要分析处理的数据程指数型增长。降维技术作为数据挖掘预处理技术的重要组成部分,它能有效地减少学习算法......
由于无监督环境下特征选择缺少类别信息的依赖,所以利用模糊粗糙集理论提出一种非一致性度量方法DAM(disagreement measure),用于......
特征选择技术是数据降维的一种关键技术,由于采集到的数据样本标签信息缺失,无监督特征选择受到了更多人的关注。现有的无监督特征......
癌症疾病作为困扰人类医学的难题长期无法取得实质性的突破,原因在于人类无法从成千上万的致病基因中找到罪魁祸首,在科技飞速发展......
接触网作为高速铁路牵引供电系统中重要的组成部分,其沿线路布置,易受雨雪、大风、沙尘等气象因素影响,在弓网运行过程中,容易引起......
聚类是一种无监督学习方法,能够在没有任何经验信息的条件下发现数据真实分布,这一特性,使得聚类分析备受关注。谱聚类基于图论将......
特征选择是机器学习和数据挖掘中的高效且有效的数据预处理技术,通过去除数据中的不相关和冗余特征提高学习性能,同时揣摩维度和计......
数据表示是机器学习、数据挖掘和模式识别等领域共性的基础问题之一。随着数据采集等相关技术的快速发展,许多实际应用场景中普遍......
无监督特征选择可以降低数据维数,提高算法的学习性能,是机器学习和模式识别等领域中的重要研究课题.和大多数在目标函数中引入稀......
维吾尔文常用切分方法会产生大量的语义抽象甚至多义的词特征，因此学习算法难以发现高维数据中隐藏的结构.提出一种无监督切分方法d......
针对水声数据的特征中含有大量冗余、不相关和噪声特征,导致水声目标识别正确率降低的问题,提出了一种新的水下目标特征选择方法—......
在计算机辅助诊断神经精神疾病研究中,需要专业人士为样本进行诊断级的语义标注,耗费大量时间和精力,因此,以无监督的方式开展神经......
机器学习中,特征选择可以有效降低数据维度.考虑到流形学习能够保持原始数据的几何结构,l_(2,1)范数能够防止过拟合,提升模型的泛......
提出了一种改进的同时正交基聚类特征选择(Improved Unsupervised Simultaneous Orthogonal Basis Clustering Feature Selection,......
高维数据分析任务中,无监督特征选择是一项重要并具有挑战性的任务.传统的无监督特征选择算法通过保持流形结构或者特征之间相关性......
维吾尔文常用切分方法会产生大量的语义抽象甚至多义的词特征，因此学习算法难以发现高维数据中隐藏的结构．提出一种无监督切分方法dm......
目前已有很多针对单值信息系统的无监督特征选择方法,但针对区间值信息系统的无监督特征选择方法却很少.针对区间序信息系统,文中......
特征选择方法可以剔除冗余特征,保留关键的数据特征,是一种有效解决维数灾难问题的途径.本文利用特征与特征之间的重构关系建立损......
面向线性不可分的未知格式网络数据,提出了一种基于支持向量机的无监督特征选择算法。该算法通过非线性映射函数将不可分的网络数......
基因表达数据具有高维小样本特点,包含了大量与疾病无关的基因,对该类数据进行分析的首要步骤是特征选择.常见的特征选择方法需要......
无监督特征选择可以降低数据维数,提高算法的学习性能,是机器学习和模式识别等领域中的重要研究课题。和大多数在目标函数中引入稀......
无监督特征选择是特征选择问题中一个难点,论文提出了一种基于蚁群寻优算法(ACO)的无监督特征选择方法。论文算法对传统的蚁群算法......
无监督特征选择是机器学习和计算机视觉等领域中的重要研究课题,可以降低数据维数,提高学习算法的性能。提出一种结合谱分析和稀疏......
聚类是一种无监督学习方法,不需要任何先验知识,仅根据数据内部固有结构信息将数据聚类成不同类簇,发现数据潜在分布,在数据爆炸的......
随着社会日新月异的发展和科技的不断进步,人们通过互联网进行的信息交互越来越频繁,随之而来的是数据的爆炸式增长,如何准确高效......
随着计算机技术的发展,机器学习在社会生活中得到了广泛的应用。在机器学习领域中,存在大量针对高维数据进行的识别和分析问题,如......
随着现实世界很多无标签和高维度数据集的广泛出现,如文本、图像和基因数据等,无监督特征选择方法的研究和应用成为了当前的一个研......
针对特征选择中存在数据缺乏类别信息的问题,提出一种新型的基于改进ReliefF的无监督特征选择方法UFS-IR.由于ReliefF类算法存在小......
在数据分析中,特征选择可以用来降低特征的冗余,提高分析结果的可理解性和发现高维数据中隐藏的结构.提出了一种基于互信息的无监......
互联网的极速发展,给每个人的日常生活都带来了越来越多的便捷。然而越来越多伴随而来的信息安全问题暴露在人们的视野内。面对日......
特征选择是从特征集合中选择相关特征子集，方便数据聚类、分类和检索等．现有的无监督特征选择算法是将高维数据映射到低维空间并计算......
