期刊文献+
共找到149篇文章
< 1 2 8 >
每页显示 20 50 100
基于C4.5算法优化SVM的个人信用评估模型 预览
1
作者 刘潇雅 王应明 《计算机系统应用》 2019年第7期133-138,共6页
支持向量机作为非参数方法已经广泛应用于信用评估领域.为克服其训练高维数据不能主动进行特征选择导致准确率下降的缺点,构建C4.5决策树优化支持向量机的信用评估模型.利用C4.5信息熵增益率方法进行属性选择,减少冗余属性.模型通过网... 支持向量机作为非参数方法已经广泛应用于信用评估领域.为克服其训练高维数据不能主动进行特征选择导致准确率下降的缺点,构建C4.5决策树优化支持向量机的信用评估模型.利用C4.5信息熵增益率方法进行属性选择,减少冗余属性.模型通过网格搜索确定最优参数,使用F-score和平均准确率评价模型性能,并在两组公开数据集上进行验证.实证分析表明,C4.5决策树优化支持向量机的信用评估模型有效减少了数据学习量,较于传统各类单一模型有较高的分类准确率和实用性. 展开更多
关键词 个人信用评估 支持向量机 C4.5决策树 属性选择 信息熵增益率
在线阅读 下载PDF
基于ReliefF剪枝的多标记分类算法 预览
2
作者 刘海洋 王志海 张志东 《计算机学报》 EI CSCD 北大核心 2019年第3期483-496,共14页
多标记分类问题需要为每个实例分配多个标记.常见的多标记分类方法主要分为算法转换法和问题转换法两类.合理利用标记间的依赖关系是提升多标记分类性能的关键.在该文中,作者从不同的问题转化方法的角度,将标记间依赖关系的利用方法分... 多标记分类问题需要为每个实例分配多个标记.常见的多标记分类方法主要分为算法转换法和问题转换法两类.合理利用标记间的依赖关系是提升多标记分类性能的关键.在该文中,作者从不同的问题转化方法的角度,将标记间依赖关系的利用方法分为标记分组法和属性空间扩展法两种.作者发现,对于属性空间扩展法,普遍存在的难题在于如何对标记间的依赖关系进行准确度量,并选择合适的标记集合加入到属性空间中.在此基础上,作者提出了一种基于ReliefF剪枝的多标记分类算法(ReliefF based Stacking,RFS).算法从属性选择的角度,利用ReliefF方法对标记间的依赖关系进行度量,进而选择依赖关系较强的标记加入到原始属性空间中.在9个多标记基准数据集上的实验结果显示,RFS算法相较于当下流行的多标记分类算法具有较为明显的优势. 展开更多
关键词 多标记分类 标记间依赖关系 属性选择 RELIEFF Stacking算法
在线阅读 下载PDF
基于核函数的稀疏属性选择算法 预览
3
作者 张善文 文国秋 +1 位作者 张乐园 李佳烨 《计算机科学》 CSCD 北大核心 2019年第2期62-67,共6页
鉴于传统属性选择算法无法捕捉属性之间的关系的问题,文中提出了一种非线性属性选择方法。该方法通过引入核函数,将原始数据集投影到高维的核空间,因在核空间内进行运算,进而可以考虑到数据属性之间的关系。由于核函数自身的优越性,即... 鉴于传统属性选择算法无法捕捉属性之间的关系的问题,文中提出了一种非线性属性选择方法。该方法通过引入核函数,将原始数据集投影到高维的核空间,因在核空间内进行运算,进而可以考虑到数据属性之间的关系。由于核函数自身的优越性,即使数据通过高斯核投影到无穷维的空间中,计算复杂度亦可以控制得较小。在正则化因子的限制上,使用两种范数进行双重约束,不仅提高了算法的准确率,而且使得算法实验结果的方差仅为0.74,远小于其他同类对比算法,且算法更加稳定。在8个常用的数据集上将所提算法与6个同类算法进行比较,并用SVM分类器来测试分类准确率,最终该算法得到最少1.84%,最高3.27%,平均2.75%的提升。 展开更多
关键词 核函数 属性选择 稀疏 L1范数 L 2 1范数
在线阅读 免费下载
属性自表达的低秩无监督属性选择算法 预览
4
作者 郑威 文国秋 +2 位作者 何威 胡荣耀 赵树之 《广西师范大学学报:自然科学版》 北大核心 2018年第1期61-69,共9页
针对现有无监督属性约简方法只单一使用子空间学习或属性选择的方法,并且忽略数据之间的内在相关性,本文提出一种新的属性选择方法。首先提出一个属性自表达损失函数加上一个稀疏正则化(l2,1-范数)实现无监督学习与属性选择。然后... 针对现有无监督属性约简方法只单一使用子空间学习或属性选择的方法,并且忽略数据之间的内在相关性,本文提出一种新的属性选择方法。首先提出一个属性自表达损失函数加上一个稀疏正则化(l2,1-范数)实现无监督学习与属性选择。然后嵌入子空间学习方法,并使用低秩约束和图正则化项考虑数据的全局结构和局部结构。经聚类实验验证,该算法较对比算法能取得更好的效果。 展开更多
关键词 低秩约束 属性选择 子空间学习 属性约简 无监督
在线阅读 下载PDF
基于超图的稀疏属性选择算法 预览
5
作者 雷聪 钟智 +3 位作者 胡晓依 方月 余浩 郑威 《计算机应用研究》 CSCD 北大核心 2018年第11期3213-3216,3219共5页
针对噪声或者离群点通常会增加矩阵的秩的问题,提出一个在低秩限制下的基于超图的稀疏属性选择算法。算法利用其他属性稀疏地表达每一个属性来获得属性自表达系数矩阵,再利用超图正则化因子获取数据的局部结构,将子空间学习嵌入到属性... 针对噪声或者离群点通常会增加矩阵的秩的问题,提出一个在低秩限制下的基于超图的稀疏属性选择算法。算法利用其他属性稀疏地表达每一个属性来获得属性自表达系数矩阵,再利用超图正则化因子获取数据的局部结构,将子空间学习嵌入到属性选择的框架中;同时,利用L2,p-范数惩罚自表达系数矩阵和损失函数挖掘出属性之间的关系和样本间的关系来帮助算法有效地进行属性选择,最终提高模型的预测能力。在UCI数据集上的实验结果表明,该算法相比其他对比算法,能更有效地选取重要属性,并取得很好的分类效果。 展开更多
关键词 属性选择 属性自表达 子空间学习 超图表示 低秩约束
在线阅读 下载PDF
测试代价受限下数据的属性和粒度选择方法 预览
6
作者 廖淑娇 朱清新 梁锐 《计算机工程与科学》 CSCD 北大核心 2018年第8期1468-1474,共7页
代价敏感学习中经常考虑测试代价和误分类代价。在实际应用中,一个属性的测试代价常跟属性值的粒度有关,而一个具有多个属性的对象的误分类代价又常受它的属性的总测试代价大小的影响。基于这一点,研究在总测试代价受限的情形下,数据的... 代价敏感学习中经常考虑测试代价和误分类代价。在实际应用中,一个属性的测试代价常跟属性值的粒度有关,而一个具有多个属性的对象的误分类代价又常受它的属性的总测试代价大小的影响。基于这一点,研究在总测试代价受限的情形下,数据的属性和粒度选择的问题。以最小化数据处理的平均总代价为目标提出了一种方法,该方法能同时选择最优的属性子集和数据粒度。首先建立了该方法的理论模型,再设计了一个高效的算法。实验结果表明,所提算法能有效地进行不同大小的测试代价约束下的属性和粒度选择。 展开更多
关键词 代价 误差 邻域 属性选择 粒度选择
在线阅读 下载PDF
基于数据挖掘的神经网络光伏发电预测研究
7
作者 杨洁 成珂 《激光杂志》 北大核心 2018年第8期59-62,共4页
在建立神经网络光伏发电预测模型时,可选择的输入变量较多,其中部分是重复或者与发电量密切度不高,引入这类变量会降低预测精度,因此需要选择合适的输入变量。为了提高神经网络光伏发电预测的精度,该研究首先应用数据挖掘分析可输入变... 在建立神经网络光伏发电预测模型时,可选择的输入变量较多,其中部分是重复或者与发电量密切度不高,引入这类变量会降低预测精度,因此需要选择合适的输入变量。为了提高神经网络光伏发电预测的精度,该研究首先应用数据挖掘分析可输入变量与预测日发电量的相关系数,进而建立神经网络模型,在分析比较的基础上最终确定合适的输入变量。研究结果表明合理选择输入变量,可有效提高神经网络光伏发电系统的预测性能,有利于减少光伏发电随机性对电力系统的影响。 展开更多
关键词 神经网络 光伏发电 预测模型 数据挖掘 属性选择
基于低秩和图拉普拉斯的属性选择算法 预览
8
作者 曹再辉 吴庆涛 施进发 《计算机工程与应用》 CSCD 北大核心 2018年第17期110-115,121共7页
针对无监督属性选择算法使用单一方法,未考虑数据间内在相关性和噪声等问题,提出一种基于属性自表达的低秩无监督属性选择算法。算法首先将稀疏正则化(l2,1-范数)引入属性自表达损失函数中实现无监督稀疏学习,其次在系数矩阵中加入低... 针对无监督属性选择算法使用单一方法,未考虑数据间内在相关性和噪声等问题,提出一种基于属性自表达的低秩无监督属性选择算法。算法首先将稀疏正则化(l2,1-范数)引入属性自表达损失函数中实现无监督稀疏学习,其次在系数矩阵中加入低秩约束以降低噪声和离群点的影响,然后利用低秩结构和图拉普拉斯正则化使子空间学习兼顾数据的全局和局部结构,最后通过属性自表达实现无监督学习。经数据集上多次迭代验证,该算法能够快速收敛并达到全局最优,与SOGFS、PCA、LPP、RSR等四种算法相比分类准确率平均提高了16.11%、14.03%、9.92%和4.2%,并且在各数据集上互信息平均值也是最高的,说明该算法有效、高效。 展开更多
关键词 属性选择 低秩约束 图拉普拉斯 子空间学习 稀疏正则化
在线阅读 下载PDF
基于自步学习的无监督属性选择算法 预览
9
作者 龚永红 郑威 +2 位作者 吴林 谭马龙 余浩 《计算机应用》 CSCD 北大核心 2018年第10期2856-2861,共6页
针对现有属性选择算法平等地对待每个样本而忽略样本之间的差异性,从而使学习模型无法避免噪声样本影响问题,提出一种融合自步学习理论的无监督属性选择(UFS-SPL)算法。首先自动选取一个重要的样本子集训练得到属性选择的鲁棒性初始... 针对现有属性选择算法平等地对待每个样本而忽略样本之间的差异性,从而使学习模型无法避免噪声样本影响问题,提出一种融合自步学习理论的无监督属性选择(UFS-SPL)算法。首先自动选取一个重要的样本子集训练得到属性选择的鲁棒性初始模型,然后逐步自动引入次要样本提升模型的泛化能力,最终获得一个能避免噪声干扰而同时具有鲁棒性和泛化性的属性选择模型。在真实数据集上与凸半监督多标签属性选择(CSFS)、正则化自表达(RSR)和无监督属性选择的耦合字典学习方法(CDLFS)相比,UFS-SPL的聚类准确率、互信息和纯度平均提升12.06%、10.54%和10.5%。实验结果表明,UFS-SPL能够有效降低数据集中无关信息的影响。 展开更多
关键词 无监督学习 属性选择 自步学习 自表达 稀疏学习
在线阅读 下载PDF
基于超图表示的低秩属性选择方法用于回归分析 预览
10
作者 钟智 方月 +2 位作者 胡荣耀 李永钢 雷聪 《计算机应用研究》 CSCD 北大核心 2018年第7期2046-2050,共5页
针对现有的回归模型未考虑特征之间的深层结构,而导致在回归问题上输出不稳定的模型,提出了一种新的属性选择方法。通过稀疏学习理论中的2,1-范数和2,p-范数在线性回归模型分别进行样本降噪和属性选择,利用超图结构和低秩约束来分... 针对现有的回归模型未考虑特征之间的深层结构,而导致在回归问题上输出不稳定的模型,提出了一种新的属性选择方法。通过稀疏学习理论中的2,1-范数和2,p-范数在线性回归模型分别进行样本降噪和属性选择,利用超图结构和低秩约束来分别考虑数据间的局部结构和不同数据间的全局结构,最后结合子空间学习方法来对模型进行微调。经实验证明,在回归分析中该算法较对比算法能取得更好的效果。 展开更多
关键词 低秩回归 属性选择 子空间学习 超图表示
在线阅读 下载PDF
基于多粒度特征表示的知识图谱问答 预览
11
作者 申存 黄廷磊 梁霄 《计算机与现代化》 2018年第9期5-10,共6页
近年来,基于知识图谱的问答系统逐渐成为学术界和工业界的研究和应用热点方向,而传统方法通常存在效率不高以及未充分利用数据信息的问题。针对以上问题,本文将中文知识图谱问答分为实体抽取和属性选择2个子任务,采用双向长短期记忆条... 近年来,基于知识图谱的问答系统逐渐成为学术界和工业界的研究和应用热点方向,而传统方法通常存在效率不高以及未充分利用数据信息的问题。针对以上问题,本文将中文知识图谱问答分为实体抽取和属性选择2个子任务,采用双向长短期记忆条件随机场(Bi-LSTM-CRF)模型来进行实体识别,并提出一种多粒度特征表示的属性选择模型。该模型采用字符级别以及词级别分别对问句和属性进行嵌入表示并通过编码器进行编码,对于属性同时还引入热度编码的信息。通过不同粒度文本表示的结合,并对问句和属性进行相似度计算,最终该系统在NLPCC-ICCPOL 2016 KBQA数据集上取得了73.96%的F1值,能够较好地完成知识图谱问答任务。 展开更多
关键词 知识图谱 问答系统 实体抽取 属性选择
在线阅读 下载PDF
多任务处理协同进化粒子群算法 预览
12
作者 程美英 钱乾 +1 位作者 倪志伟 朱旭辉 《模式识别与人工智能》 CSCD 北大核心 2018年第4期322-334,共13页
粒子群算法及其改进算法专注于单任务的求解.随着电子商务的发展,在线服务器在某一时刻需要同时处理来自多个用户的服务请求,即多任务处理.区别于以往的并行计算机,文中充分挖掘粒子群算法的"隐并行性",并引入协同进化机制,在同一搜... 粒子群算法及其改进算法专注于单任务的求解.随着电子商务的发展,在线服务器在某一时刻需要同时处理来自多个用户的服务请求,即多任务处理.区别于以往的并行计算机,文中充分挖掘粒子群算法的"隐并行性",并引入协同进化机制,在同一搜索空间根据任务个数设置不同的子种群,各子种群以一定的概率相互传递有效信息,最后提出基于多任务处理协同进化粒子群算法(CPSOM),并将CPSOM应用于多任务连续型函数优化问题、多任务离散型属性选择问题以及多任务约束工程优化问题.仿真实验表明,在CPSOM多任务环境中,不同任务之间确实存在有效信息的传递,不同任务之间的相互协作不仅可以提高解的质量,而且可以加快各优化问题的收敛速度. 展开更多
关键词 多任务处理 粒子群算法(PSO) 协同进化 函数优化 属性选择 工程应用
在线阅读 下载PDF
利用电子签到数据预测课程成绩 预览
13
作者 刘俊岭 李婷 +1 位作者 孙焕良 于戈 《计算机科学与探索》 CSCD 北大核心 2018年第6期908-917,共10页
大学生的课程学习是提高学业水平的重要组成部分。预测大学生的课程成绩,预警有课程学习失败风险的学生,成为教育大数据研究中的一个重要课题。电子签到系统收集了学生在课堂上签到时间和座位选择等信息。这些信息反映了学生的学习兴趣... 大学生的课程学习是提高学业水平的重要组成部分。预测大学生的课程成绩,预警有课程学习失败风险的学生,成为教育大数据研究中的一个重要课题。电子签到系统收集了学生在课堂上签到时间和座位选择等信息。这些信息反映了学生的学习兴趣、成就动机与性格特征等因素,与课程成绩具有较强的相关性。研究了基于课堂电子签到数据的课程成绩预测方法,结合学生的心理测试数据构建了成绩预测模型,模型中包括座位选择与签到时间等属性构造、预测方法设计、预测结果修正等模块。提出了基于成绩分布的教室座位分区划分方法和同伴影响的预测结果修正方法,提高了成绩预测的精度。利用真实数据集对所提出的预测模型进行了充分的实验验证,百分制成绩平均预测误差在10分以内。 展开更多
关键词 电子签到 属性选择 个性特征 成绩预测
在线阅读 下载PDF
基于邻域分类AUC的属性选择方法 预览
14
作者 张艳芹 《天津理工大学学报》 2018年第3期30-33,共4页
为了提升邻域分类器的分类性能,提出了一种利用邻域AUC作为分类性能度量指标的启发式是属性选择算法.首先,利用邻域分类器得到邻域AUC,然后在此基础上,借助贪心搜索策略,逐步加入使得邻域AUC尽可能大的属性,当邻域AUC不再增大时... 为了提升邻域分类器的分类性能,提出了一种利用邻域AUC作为分类性能度量指标的启发式是属性选择算法.首先,利用邻域分类器得到邻域AUC,然后在此基础上,借助贪心搜索策略,逐步加入使得邻域AUC尽可能大的属性,当邻域AUC不再增大时,算法终止.在7个UCI数据集上的实验结果表明,使用邻域AUC属性选择算法,可以在使用较少属性个数的基础上,有效地提升邻域分类器的分类性能. 展开更多
关键词 属性选择 启发式算法 邻域分类器
在线阅读 下载PDF
融合K均值聚类和低秩约束的属性选择算法 预览 被引量:1
15
作者 杨常清 《中文信息学报》 CSCD 北大核心 2018年第7期91-98,共8页
针对无监督属性选择算法无类别信息和未考虑属性低秩等问题,该文提出了一种融合K均值聚类和低秩约束的属性选择算法。算法在线性回归的模型框架中有效地嵌入自表达方法,同时利用K均值聚类产生伪类标签最大化类间距以更好地稀疏结构,并使... 针对无监督属性选择算法无类别信息和未考虑属性低秩等问题,该文提出了一种融合K均值聚类和低秩约束的属性选择算法。算法在线性回归的模型框架中有效地嵌入自表达方法,同时利用K均值聚类产生伪类标签最大化类间距以更好地稀疏结构,并使用l2,p-范数代替传统的l2,1-范数,通过参数p来灵活调节结果的稀疏性,最后证明了该文算法具有执行线性判别分析的特点和收敛性。经实验验证,该文提出的属性算法与NFS算法、LDA算法、RFS算法、RSR算法相比分类准确率平均提高了17.04%、13.95%、3.6%和9.39%,分类准确率方差也是最小的,分类结果稳定。 展开更多
关键词 属性选择 自表达方法 K均值聚类 低秩约束 稀疏学习
在线阅读 下载PDF
低秩约束的非线性属性选择算法 预览
16
作者 张乐园 李佳烨 李鹏清 《计算机应用》 CSCD 北大核心 2018年第12期3444-3449,共6页
针对高维的数据中往往存在非线性、低秩形式和属性冗余等问题,提出一种基于核函数的属性自表达无监督属性选择算法——低秩约束的非线性属性选择算法(LRNFS)。首先,将每一维的属性映射到高维的核空间上,通过核空间上的线性属性选择去实... 针对高维的数据中往往存在非线性、低秩形式和属性冗余等问题,提出一种基于核函数的属性自表达无监督属性选择算法——低秩约束的非线性属性选择算法(LRNFS)。首先,将每一维的属性映射到高维的核空间上,通过核空间上的线性属性选择去实现低维空间上的非线性属性选择;然后,对自表达形式引入偏差项并对系数矩阵进行低秩与稀疏处理;最后,引入核矩阵的系数向量的稀疏正则化因子来实现属性选择。所提算法中用核矩阵来体现其非线性关系,低秩考虑数据的全局信息进行子空间学习,自表达形式确定属性的重要程度。实验结果表明,相比于基于重新调整的线性平方回归(RLSR)半监督特征选择算法,所提算法进行属性选择之后作分类的准确率提升了2.34%。所提算法解决了数据在低维特征空间上线性不可分的问题,提升了属性选择的准确率。 展开更多
关键词 属性选择 核函数 子空间学习 低秩表示 稀疏处理
在线阅读 下载PDF
基于自步学习多元回归分析 预览
17
作者 甘江璋 钟智 +2 位作者 余浩 雷聪 赵树之 《计算机工程与设计》 北大核心 2018年第12期3835-3839,3852共6页
针对现有多元回归模型没有充分考虑离群训练样本的影响而导致模型泛化能力差的问题,提出一种结合自步学习和稀疏属性选择的多元回归分析方法。通过自步学习理论优先选择高置信度的样本来训练初始属性选择模型,依次加入次高置信度的训练... 针对现有多元回归模型没有充分考虑离群训练样本的影响而导致模型泛化能力差的问题,提出一种结合自步学习和稀疏属性选择的多元回归分析方法。通过自步学习理论优先选择高置信度的样本来训练初始属性选择模型,依次加入次高置信度的训练样本增加初始选择模型的泛化能力,直至增加的训练样本使泛化能力减弱或者所有训练样本被用完。用选择的属性进行多元回归分析,提高算法效率和效果。6个公开的数据集上的实验结果表明,该算法在回归分析中得到的结果优于对比算法。 展开更多
关键词 自步学习 属性选择 稀疏学习 回归分析 有监督学习
在线阅读 下载PDF
动态误分类代价下代价敏感属性选择分治算法 预览
18
作者 黄伟婷 赵红 《计算机工程与应用》 CSCD 北大核心 2018年第3期166-171,211共7页
代价敏感属性选择问题的目的是通过权衡测试代价和误分类代价,得到一个具有最小总代价的属性子集。目前,多数代价敏感属性选择方法只考虑误分类代价固定不变的情况,不能较好地解决类分布不均衡等问题。而在大规模数据集上,算法效率不理... 代价敏感属性选择问题的目的是通过权衡测试代价和误分类代价,得到一个具有最小总代价的属性子集。目前,多数代价敏感属性选择方法只考虑误分类代价固定不变的情况,不能较好地解决类分布不均衡等问题。而在大规模数据集上,算法效率不理想也是代价敏感属性选择的主要问题之一。针对这些问题,以总代价最小为目标,设计了一种新的动态误分类代价机制。结合分治思想,根据数据集规模按列自适应拆分各数据集。基于动态误分类代价重新定义最小代价属性选择问题,提出了动态误分类代价下的代价敏感属性选择分治算法。通过实验表明,该算法能在提高效率的同时获得最优误分类代价,从而保证所得属性子集的总代价最小。 展开更多
关键词 粗糙集 代价敏感 属性选择 动态误分类代价 自适应分治
在线阅读 下载PDF
测验Q矩阵中属性指定、选择和验证方法 预览
19
作者 宋丽红 《江西师范大学学报:哲学社会科学版》 CSSCI 北大核心 2017年第1期80-87,共8页
在认知诊断评估中,构建正确测验Q矩阵十分关键但比较困难。本文在简要介绍认知诊断评估之后,从认知诊断模型视角,重点阐述和评价了知名模型或框架下(规则空间模型、属性层级模型、融合模型、回归树、确定性输入噪音与门模型、证据中心... 在认知诊断评估中,构建正确测验Q矩阵十分关键但比较困难。本文在简要介绍认知诊断评估之后,从认知诊断模型视角,重点阐述和评价了知名模型或框架下(规则空间模型、属性层级模型、融合模型、回归树、确定性输入噪音与门模型、证据中心设计和认知设计系统)测验Q矩阵中属性指定、选择和验证的方法,指出了各方法的优势和劣势。最后,归纳了测验Q矩阵构建的一般性步骤和方法,并讨论了未来可能研究方向。 展开更多
关键词 认知诊断评估 测验Q矩阵 属性指定 属性选择 属性验证
在线阅读 下载PDF
基于属性自表达的低秩超图属性选择算法 预览
20
作者 苏毅娟 雷聪 +2 位作者 胡荣耀 何威 朱永华 《计算机应用研究》 CSCD 北大核心 2017年第8期2294-2298,共5页
针对高维数据具有低秩形式和属性冗余等特点,提出一种基于属性自表达的无监督超图属性选择算法。该算法首先利用属性自表达特点用其他属性稀疏地表达每个属性,此自表达形式使用低秩假设寻找高维数据的低秩表示,然后建立超图正则化因子... 针对高维数据具有低秩形式和属性冗余等特点,提出一种基于属性自表达的无监督超图属性选择算法。该算法首先利用属性自表达特点用其他属性稀疏地表达每个属性,此自表达形式使用低秩假设寻找高维数据的低秩表示,然后建立超图正则化因子保持高维数据的局部结构,最后利用稀疏正则化因子进行属性选择。属性自表达特性确定属性的重要性,低秩表示相当于考虑数据的全局信息进行子空间学习,超图正则化因子考虑数据的局部结构对数据进行子空间学习。该算法实际上考虑数据全局和局部信息进行子空间学习,更是一种嵌入了子空间学习的属性选择算法。实验结果表明,该算法相比其他对比算法,能更有效地选取属性,并能取得很好的分类效果。 展开更多
关键词 属性选择 属性自表达 子空间学习 超图 低秩表示
在线阅读 下载PDF
上一页 1 2 8 下一页 到第
使用帮助 返回顶部 意见反馈