导读:本文包含了特征提取和降维论文开题报告文献综述及选题提纲参考文献，主要关键词:文本复杂网络,特征降维,PCA,特征提取
特征提取和降维论文文献综述
张丽,马静[1]（2019）在《一种基于“特征降维”文本复杂网络的特征提取方法》一文中研究指出【目的/意义】本文构建一种"特征降维"文本复杂网络进行文本表示,解决传统词同现文本复杂网络处理海量数据时的维数灾难与语义不足问题,再结合机器学习方法提升文本特征提取效果。【方法/过程】依据共现关系抽取二级词条,再结合依存句法关系抽取叁级词条,构建"特征降维"文本复杂网络,接着利用PCA算法和TOPSIS法评价网络节点重要性提取反映文本主题的关键词作为文本特征词,实现文本特征提取。【结果/结论】本文以网络新闻数据为实验对象。实验结果表明,特征降维文本复杂网络能较好地表示中文文本,并且在较好地保留了文本语义信息的同时有效减少网络节点冗余,结合PCA算法的特征提取方法可以使文本分类性能提高。(本文来源于《情报科学》期刊2019年10期）
陈晓,黄传金[2]（2019）在《n-FFT压缩感知降维智能方法及其在齿轮系统故障特征提取与分类中应用研究》一文中研究指出机械传动被广泛应用在车辆、机床、工程机械等工程多个领域,因此研究机械传动的可靠性、损伤机理和故障诊断与信号处理方法具有重要意义和价值。传统的动态信号处理如FFT算法,即快速傅里叶变换法,因其运算速度快,谱分析特征稳定,所以得到了广泛的工程应用。但是工程实际中信号往往是非平稳的时变的非线性,非常复杂,再加之内外界噪声的干扰,分析处理较为困难,从而导致以FFT分析为主导的谱分析方法受到了很大限制。利用FFT运算速度快,特征稳定的优点,提出了对二次FFT,叁次FFT算法,n次FFT算法(2n小于信号样本点数)进行探讨和研究的思想,从理论上进行探讨、并通过实验进行了验证,并将其应用于齿轮运行状态的故障特征监测和分类研究之中。分析研究表明n-FFT算法运行速度快,特征积聚度高,有利于进行齿轮运行状态的分类和故障监测与诊断。(本文来源于《机械强度》期刊2019年01期）
杨博雄,杨雨绮[3]（2019）在《利用PCA进行深度学习图像特征提取后的降维研究》一文中研究指出深度学习是当前人工智能领域广泛使用的一种机器学习方法.深度学习对数据的高度依赖性使得数据需要处理的维度剧增,极大地影响了计算效率和数据分类性能.本文以数据降维为研究目标,对深度学习中的各种数据降维方法进行分析.在此基础上,以Caltech 101图像数据集为实验对象,采用VGG-16深度卷积神经网络进行图像的特征提取,以PCA主成分分析方法为例来实现高维图像特征数据的降维处理.在实验阶段,采用欧氏距离作为相似性度量来检验经过降维处理后的精度指标.实验证明:当提取VGG-16神经网络fc3层的4096维特征后,使用PCA法将数据维度降至64维,依然能够保持较高的特征信息.(本文来源于《计算机系统应用》期刊2019年01期）
方卫华,王润英,孙一清[4]（2019）在《基于降维分析的大坝安全特征提取方法及其应用研究》一文中研究指出为有效提取大坝安全的低维特征,将特征正交分解、等概率粗粒化、主成分/核主成分分析等降维方法与大坝安全特征提取方法相结合,提出了基于POD的分位数回归分析法、基于实测资料复杂网络分析法、基于PCA/KPCA的预警指标提取法以及基于POD的多场耦合强度折减法等4种新方法,研究表明,上述4种方法能提取高维实测数据或无穷维大坝安全的低维特征,使得大坝安全性态分析和判断可以在低维空间进行,典型工程实例检验了新方法的有效性。(本文来源于《人民珠江》期刊2019年01期）
邱林润,李蓉蓉[5]（2018）在《基于加权FCM聚类算法的特征提取与降维研究》一文中研究指出本文所涉及的降维思维是基于聚类过程和数据相似性产生的,界标等距映射算法在FCM-LI算法当中起到了至关重要的作用,在FCM中间结果对特征向量进行重新提取,尽可能减少特征向量维数,简单化处理FCM计算过程。结果表明,FCM-LI算法与传统高维数据直接分类算法相比,前者的优势比较体现在能够快速完成聚类过程。FCM-LI和FCM的差别在维数降到11维时约为3.95%,然而此时需消耗更多的时间来运行。将维数控制在5维时,此时运行时间最短,但不能确保其准确度,也意味着如果以过低的维数运行则将导致原数据出现错误,无法得到准确的分类结果。(本文来源于《电视技术》期刊2018年06期）
赵川[6]（2018）在《特征降维与自适应特征提取方法及其在行星齿轮箱故障诊断中的应用研究》一文中研究指出行星齿轮箱在航天与工业等领域应用广泛。但因其运动复杂,运行环境较为恶劣且承受复杂交变载荷,各组成部件容易产生损伤导致失效。因而,有必要对行星齿轮箱的故障诊断进行研究。行星齿轮箱振动信号成分复杂,通过信号分析人工识别故障特征难度较大。为解决该问题,本文从模式识别的角度对行星齿轮箱故障诊断方法进行研究。如何提取稳定性好、敏感性及规律性强的特征,并利用特征实现行星齿轮箱故障诊断是本论文研究的重点。本文从实际问题出发,以行星齿轮箱为具体研究对象,针对齿轮与行星轮轴承常见的故障类型,首先研究了基于传统特征提取的故障诊断方法,针对特征空间高维与非线性的特点,采用了流形学习法与稀疏滤波法,提取敏感特征,同时解决了流形学习法中涉及的参数估计问题;其次,研究了基于自适应特征提取的故障诊断方法。论文的主要研究内容与创新成果如下:1、多域流形特征提取及应用:由于特征参量对不同系统的稳定性、敏感性与规律性不同,为保证特征的丰富性,针对行星齿轮箱振动信号,提取时域、频域统计特征参量;用局部均值分解法对信号进行了分解,提取时频分布能量特征。采用流形学习法对特征空间进行降维,提取低维特征,同时提出了一种新的参数估计方法:基于改进的虚假近邻点的参数估计法。该方法能够同时对本征维数与近邻域点数进行估计。最后,结合概率神经网络分类器,构建故障诊断模型,通过实验信号对方法进行了验证。2、时频分布能量特征稀疏优化:研究发现时频分布能量特征稳定性与敏感性相对较好,有望单独用于故障诊断。发挥变模式分解法分解速率快的优势,对信号进行分解,提取信号时频分布能量。考虑到不同的流形学习方法对特征处理的效果不同,为了进一步提取敏感特征,研究稀疏滤波法替代流形学习对特征进行优化。该方法不需要对本征维数与近邻点数进行估计,只需给出需要学习的特征个数,简化了敏感特征提取过程。最后,结合概率神经网络分类器,构建故障诊断模型,通过实验信号验证了方法的有效性。3、基于字典学习的稀疏分类:传统特征提取法应用广泛,效果良好。但需要依赖相关领域内的专业知识,特征提取缺乏自适应性。字典学习法可以用原始信号样本对字典进行初始化,能够对原始信号自适应提取特征,字典中每个原子即为典型特征。基于字典学习,提出稀疏分类方法,在一定的稀疏约束下,通过判断最小重构误差,对样本进行归类,实现故障诊断。整个模型不需要设计特定的分类器,模型结构简单,智能性高,采用传统字典学习与稀疏分解方法就可以实现。通过实验信号分析了字典学习时涉及的参数选择问题以及不同参数对模型故障诊断准确率的影响,为字典学习时的参数确定提供了参考,并最终验证了方法的有效性。4、基于卷积神经网络的时频图特征提取与应用:在变工况下,振动信号具有明显的非平稳性,特征频率具有时变性,传统时域与频域分析方法难以有效地提取故障特征频率;应用传统时频分析法进行分析时,存在时频精度低和虚假成分干扰等问题,识别难度大。为解决该问题,提出了基于卷积神经网络的时频图特征提取方法。该方法充分发挥了卷积神经网络在图像处理方面的优势,可自适应提取时频图特征,不需要考虑传统时频分析中存在的时频精度低和虚假成分干扰等问题,方法经实验数据进行了验证。(本文来源于《北京科技大学》期刊2018-06-05）
郜园园[7]（2018）在《基于传统特征提取和深度学习方法相结合的基因表达数据降维研究》一文中研究指出DNA微阵列技术的使用促使越来越多的基因表达数据产生。大量的信息蕴含在基因表达数据中,通过分析基因表达数据,能够增加对肿瘤细胞和正常细胞之间的基因表达差异的了解,同时也可以找出与肿瘤形成关系密切的基因,这对于癌症的诊断、治疗和预防都具有非常重要的意义。分类是实现癌症诊断的重要手段,然而,由于基因表达数据具有特征维数高、存在大量冗余信息等特点,如果采用传统的分类方法对样本直接分类,可能会出现“维数灾难”。如果采用传统的特征降维方法先降低原始数据的维数,可以解决基因表达数据的“维数灾难”问题,但会影响基因表达数据的分类正确率。因此,选择合适的特征提取方法是对基因表达数据分类前的关键一步。深度学习是一种特征学习方法,能够学习高维数据中的复杂结构。因此,本文首先研究自动编码器对基因表达数据的降维作用,并与传统的特征提取方法主成分分析方法、线性判别分析方法和核主成分分析方法进行比较。实验结果表明在8种基因表达数据集上,自动编码器的降维效果整体要优于主成分分析方法、线性判别分析方法和核主成分分析方法,同时,也验证了自动编码器对基因表达数据降维的有效性。由于基因表达数据特征维数比较高,自动编码器学习原始数据中的特征计算复杂度比较高,耗时比较长,针对这个问题,本文基于自动编码器提出如下改进算法:(1)基于PCA、KPCA和自动编码器相结合的特征学习方法。该特征学习方法通过两个阶段进行特征学习,首先是基于PCA和KPCA的阶段,其次,基于PCA特征以及KPCA特征,自动编码器获得用于分类的更高级和更复杂的特征。(2)基于PCA、LDA和自动编码器相结合的特征学习方法。(3)基于KPCA、LDA和自动编码器相结合的特征学习方法。最后,通过MATLAB对本文提出的改进算法在8种基因表达数据上进行仿真实验,证明了改进算法的有效性。实验结果表明本文提出的改进算法优于对比方法,且大大降低了自动编码器学习原始数据特征的计算时间复杂度。同时,通过比较叁个改进算法,得出如下结论:基于PCA、LDA和自动编码器相结合的特征学习方法对于多类别数据具有优势,基于KPCA、LDA和自动编码器相结合的特征学习方法对于两个类别数据具有优势。(本文来源于《西安电子科技大学》期刊2018-06-01）
冯玮,王玉德,张磊[8]（2018）在《加权联合降维的深度特征提取与分类识别算法》一文中研究指出为了降低卷积神经网络计算的复杂度,改善特征提取过程中的过拟合现象,解决经典网络模型不能有效处理大尺寸图片的问题,采用了加权联合降维的特征融合与分类识别算法,根据两特征的识别贡献率对主成分分析法(PCA)降维处理和随机投影(RP)处理结果进行加权融合,然后将结果提供给卷积神经网络进行处理,提取图像分类的高层特征,使用欧氏距离分类器对识别对象进行分类,并进行了理论分析和实验验证。结果表明,经过加权联合降维对数据进行预处理,PCA矩阵与RP降维矩阵之比重达到6∶4,识别率高达96%以上。该算法有效提高了准确率,使大尺寸图片在深度学习网络中有良好的识别效果,改善了网络的适应性。(本文来源于《激光技术》期刊2018年05期）
李雷,张帆,施化吉,周从华[9]（2019）在《穿戴式跌倒检测中特征向量的提取和降维研究》一文中研究指出穿戴式跌倒检测中老年人特征属性过多会造成维数灾难,影响后续跌倒检测精度。针对此问题,首先采用时域分析法提取初始特征向量集,用提出的改进核主成分分析算法(IKPCA)对特征向量进行降维,从而获得优质的特征向量集,使得后续的分类具有更好的效果。IKPCA算法首先利用I-RELIEF算法对初始特征向量集进行特征选择,然后计算跌倒特征向量的信息度量和相似度度量;最后根据跌倒特征向量的相似度度量剔除无效的跌倒特征向量。IKPCA算法不但保持核主成分分析算法(KPCA)较好的降维能力,而且扩充了较好的分类能力。利用真实的数据集进行实验,对比分析表明,相比其他算法,IKPCA算法能够得到更优质的特征向量数据集。(本文来源于《计算机应用研究》期刊2019年01期）
刘振焘,徐建平,吴敏,曹卫华,陈略峰[10]（2018）在《语音情感特征提取及其降维方法综述》一文中研究指出情感智能是人工智能的重要发展方向,随着人工智能的迅速发展,情感智能已成为当前人机交互领域的研究热点.语音情感是人们相互情感交流最直接、最高效的途径,越来越多的研究者投入到语音情感识别的研究中.该文综述了国内外近几年语音情感特征提取及降维领域的最新进展.首先,介绍了语音情感识别中常用的特征,将语音特征分为韵律特征、基于谱的特征等,并提出以个性化与非个性化的方式对语音情感特征进行分类.然后,对其中广泛应用的特征提取方法进行了详细地比较与分析,阐述了各类方法的优缺点,并对最新的基于深度学习方法的语音特征提取的相关研究进行了介绍.同时,介绍了常用的语音情感特征降维方法,并在此基础上分析了这些特征降维方法时间复杂度,对比了各类方法的优缺点.最后,对当前语音情感识别领域的研究现状与难点进行了讨论与展望.(本文来源于《计算机学报》期刊2018年12期）
特征提取和降维论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
机械传动被广泛应用在车辆、机床、工程机械等工程多个领域,因此研究机械传动的可靠性、损伤机理和故障诊断与信号处理方法具有重要意义和价值。传统的动态信号处理如FFT算法,即快速傅里叶变换法,因其运算速度快,谱分析特征稳定,所以得到了广泛的工程应用。但是工程实际中信号往往是非平稳的时变的非线性,非常复杂,再加之内外界噪声的干扰,分析处理较为困难,从而导致以FFT分析为主导的谱分析方法受到了很大限制。利用FFT运算速度快,特征稳定的优点,提出了对二次FFT,叁次FFT算法,n次FFT算法(2n小于信号样本点数)进行探讨和研究的思想,从理论上进行探讨、并通过实验进行了验证,并将其应用于齿轮运行状态的故障特征监测和分类研究之中。分析研究表明n-FFT算法运行速度快,特征积聚度高,有利于进行齿轮运行状态的分类和故障监测与诊断。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
特征提取和降维论文参考文献
[1].张丽,马静.一种基于“特征降维”文本复杂网络的特征提取方法[J].情报科学.2019
[2].陈晓,黄传金.n-FFT压缩感知降维智能方法及其在齿轮系统故障特征提取与分类中应用研究[J].机械强度.2019
[3].杨博雄,杨雨绮.利用PCA进行深度学习图像特征提取后的降维研究[J].计算机系统应用.2019
[4].方卫华,王润英,孙一清.基于降维分析的大坝安全特征提取方法及其应用研究[J].人民珠江.2019
[5].邱林润,李蓉蓉.基于加权FCM聚类算法的特征提取与降维研究[J].电视技术.2018
[6].赵川.特征降维与自适应特征提取方法及其在行星齿轮箱故障诊断中的应用研究[D].北京科技大学.2018
[7].郜园园.基于传统特征提取和深度学习方法相结合的基因表达数据降维研究[D].西安电子科技大学.2018
[8].冯玮,王玉德,张磊.加权联合降维的深度特征提取与分类识别算法[J].激光技术.2018
[9].李雷,张帆,施化吉,周从华.穿戴式跌倒检测中特征向量的提取和降维研究[J].计算机应用研究.2019
[10].刘振焘,徐建平,吴敏,曹卫华,陈略峰.语音情感特征提取及其降维方法综述[J].计算机学报.2018