导读:本文包含了自适应特征选择论文开题报告文献综述及选题提纲参考文献，主要关键词:特征选择,回归,异常点,稳健
自适应特征选择论文文献综述
郭亚庆,王文剑,苏美红[1]（2019）在《一种针对异常点的自适应回归特征选择方法》一文中研究指出数据集中含有不相关特征和冗余特征会使学习任务难度提高,特征选择可以有效解决该问题,从而提高学习效率和学习器性能.现有的特征选择方法大多针对分类问题,面向回归问题的较少,特别是当数据集含异常点时,现有方法对异常点敏感.虽然某些方法可以通过给样本损失函数加权来提高其稳健性,但是其权值一般都已预先设定好,且在特征选择和学习器训练过程中固定不变,因此方法的自适应性不强.针对上述问题,提出了一种针对异常点的回归特征选择方法(adaptive weight LASSO, AWLASSO),它首先根据回归系数更新样本误差,并通过自适应正则项将误差大于当前阈值的样本的损失函数赋予较小权重,误差小于阈值的样本的损失函数赋予较大权重,再在更新权重后的加权损失函数下重新估计回归系数,不断迭代上述过程.AWLASSO算法采用阈值来控制样本是否参与回归系数的估计,在阈值作用下,误差较小的样本才可参与估计,所以迭代完成后会获得较优的回归系数估计.另外,AWLASSO算法的阈值不是固定不变的,而是不断增大的(为使初始回归系数估计值较准确,其初始值较小),这样误判为异常点的样本可以重新进入训练集,并保证训练集含有足够的样本.对于误差大于最大阈值的样本点,由于其学习代价较大,算法将其识别为异常点,令其损失函数权重为0,从而有效降低了异常点的影响.在构造数据和标准数据上的实验结果表明:对于含有异常点的数据集,提出的方法比经典方法具有更好的稳健性和稀疏性.(本文来源于《计算机研究与发展》期刊2019年08期）
朱建勇,周振辰,杨辉,聂飞平[2]（2019）在《基于Hessian正则的自适应损失半监督稀疏特征选择》一文中研究指出针对复杂高维数据的膨胀及其带标签样本数据的配比变少,基于拉普拉斯图的半监督特征选择得到了广泛的关注,但是由于图拉普拉斯算子缺乏外推能力,不能较好的利用有限的标签数据,且对异常值过于敏感。因此,本文提出一种基于Hessian正则的自适应损失半监督稀疏特征选择算法(AHFS)。首先,为提升线性映射能力,利用Hessian保留了数据的局部流形结构;其次,融合了自适应损失,提升模型对具有较小或者较大损失的数据的稳定性;引入2,范数约束预测矩阵,提升特征的区分度及增加模型适应度。然后,提出一种递归迭代优化算法来求解所提出的模型。最后,通过真实的数据集进行了系统的实验,从多个方面对模型进行了分析,实验结果表明该模型提高了半监督特征选择的准确率。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
张玉梅[3]（2019）在《基于流形规整的扩展自适应Lasso多类别特征选择方法研究》一文中研究指出随着科学技术的不断发展,在真实世界中存在很多高维度的数据,例如生物信息学中的基因序列、时间序列以及高光谱遥感数据等。虽然高维数据比低维数据拥有更多的数据量,但是对于某个特定的识别任务来说,高维数据中的很多特征都是冗余的且与当前任务无法产生联系的无效特征,还有很多冗余的与任务不相关的无效特征,甚至是影响分类精度的噪声特征。因此,如果直接对这些高维数据操作会面临很多的困难,最直接的表现就是维数灾难问题。此外,在实际应用中,如果直接操作高维数据,大多数的学习算法的计算开销以及时间开销会随着特征维数的增高而不断增加,模型也会越复杂,算法的推广能力自然也会下降。为了解决高维数据所面临的问题,特征选择技术随之产生。特征选择的含义是,为实现降低特征空间维数的目的,从原始特征数据集中选出那些与识别任务相关的、有代表性的特征的过程,它是模式识别中的关键的数据预处理步骤,同时也是提高学习算法性能的有效手段。迄今为止,研究群体为了从高维特征中挑选出相关的、有代表性的特征,提出了大量的特征选择方法。如Lasso方法,Adaptive Lasso方法,全局冗余最小化(GRM)方法,等等。近年来,多标签学习在各种实际应用场景中也得到了广泛的使用,重点研究了一个样本同时属于多个类别或者是多个标签的问题。对于多标签数据呈现出来的大量特征,研究者们也从不同的方面提出了大量的特征选择方法,如Lin等人提出了一种基于最大依赖和最小冗余(mRMR)的多标签特征选择方法,Liu等人提出了一种在线多标签组特征选择算法,等等。基于前人的研究成果,本文提出了一个不一样的特征选择方法,并在文中给出了合理有效的迭代求解算法。本文的主要研究内容如下:(1)基于传统Lasso以及扩展的Lasso特征选择方法所存在的缺陷,选择将样本特征与类别之间的相关性作为约束,在传统Adaptive Lasso模型中加入权重约束,提出了扩展的自适应Lasso(EALasso)特征选择方法,该方法不仅可以处理两类样本的特征选择问题,还可以处理繁杂的多类别多标签特征选择问题。在优化目标函数的过程中,对回归系数加权,当权重确定后,在/2.1-norm的约束下,为了尽可能达到行稀疏,权重矩阵中值比较大的元素所对应的稀疏系数矩阵中的值就会被压缩为0,所以那些回归系数被估计为0的特征就会被自动删除,从而达到特征选择的目的。对于EALasso,文章中还提供了有效的迭代求解算法以及相对应的收敛性证明。在这一部分,分别在多类别单标签数据集上以及多类别多标签数据集上以不同的判别方式证明了本章所提出方法的有效性。(2)基于考虑到数据之间的固灯联系和局部结构信息对数据本身的直接影响,这一部分,将EALasso方法做了进一步地扩展,提出了基于流形规整的自适应Lasso(MrALasso)特征选择方法,在这一部分中,在目标函数中添加了图规整项是希望原空间中相近的样本点在低维空间中也尽可能相近,同时也增加了数据之间的固有联系和局部结构信息,并提出了有效的迭代求解算法以及相应的收敛性证明。在多个相关基因数据集上的实验结果表明,本文提出的算法的效果要优于其他相同领域的特征选择算法。然而,MrALasso只能解决包含两类样本的特征选择问题。(3)这一部分,进一步将MrALasso从两类别的情况扩展到了多类别的情况,提出了扩展的基于流形规整的自适应Lasso(EMrALasso)的多类别选择方法,并提供了有效的迭代求解算法以及相应的收敛性证明。实验结果在多个多类别数据集上证实了EMrALasso方法的有效性。(本文来源于《安徽大学》期刊2019-05-01）
王小玉,贾杰,常明明[4]（2019）在《带有弹性网络惩罚的自适应多项式回归学习机及其特征选择性能》一文中研究指出基于多类自适应弹性网络惩罚函数可以自适应地进行群体基因选择的优化性能的特点,本文论及了一种新的自适应多项式回归学习机器,该学习机模型结合了多类自适应弹性网络惩罚函数与多项式似然损失函数,可以在进行多分类过程的同时,自适应并成群地选择相关的重要基因。本文利用定理证明了该结论的成立。(本文来源于《安阳师范学院学报》期刊2019年02期）
廖加文,齐春,曹剑中,黄继江[5]（2019）在《结合自适应特征选择和蕨类分类器的相关滤波跟踪算法》一文中研究指出为解决基于核相关滤波架构的跟踪算法所采用的线性插值模型更新策略无法应对目标外观突变的问题,提出一种结合自适应特征选择和蕨类分类器的目标跟踪算法(DRDCF)。首先对提取的多层目标特征层进行主成分分析降维以抽取有用的特征层;其次,采用每帧均对模板固定更新的进取型滤波器结合满足门限条件才进行更新的保守型滤波器定位目标,将进取型滤波器用于预测目标的下一帧位置,将保守型滤波器用于计算进取型滤波器以及检测器产生的预测位置的可靠性;当进取型滤波器预测位置不可靠时,检测器产生预测位置,最后通过对比两者预测位置的可靠性择优确定目标最佳预测位置。实验结果表明,DRDCF算法可以有效解决目标突变所造成的模型污染以及跟踪失败问题,在OTB2015数据集上精度及覆盖率两项指标相较于结合通道和空间约束的相关滤波算法分别提升了2.78%和4.26%,达到前沿算法的效果。(本文来源于《西安交通大学学报》期刊2019年06期）
刘万军,孙虎,姜文涛[6]（2019）在《自适应特征选择的相关滤波跟踪算法》一文中研究指出针对相关滤波方法对快速运动与快速变形的目标跟踪稳定性较差的问题,提出一种自适应特征选择的相关滤波跟踪算法。利用位置滤波器和颜色概率模型提取候选区域中的基础特征,对基础特征以不同的权重分配方式进行融合,得到多个融合特征。对融合特征进行可信度判定,选择可信度较高的融合特征作为当前帧的跟踪特征,估计出目标的候选位置。若最高可信度低于可信度阈值,启动检测器重新检测目标位置,否则候选位置即为目标最终位置。与此同时,对目标模型进行更新,确保模型对目标描述的准确性。在标准数据集OTB50和OTB100上进行大量实验,测试结果表明,所提出的跟踪方法在运动模糊、光照变化、快速运动等条件下具有较高的跟踪准确率和较好的稳健性。(本文来源于《光学学报》期刊2019年06期）
武琳,焦立男,柳有权[7]（2019）在《场景自适应特征选择》一文中研究指出与室外物体跟踪相比,室内多轨跟踪更具挑战性,因为频繁的遮挡,视图截断,严重的尺度变化和姿势变化,可能会给目标表示和数据关联带来相当大的误差。因此可靠的目标表示对于物体多跟踪系统中准确的数据关联和后续的跟踪至关重要。文章介绍了一种场景自适应特征选择方案,该方案给出了特征选择的两个标准,即可靠性测量和可判别性测量,通过比较选择更加可靠的特征,这使得目标跟踪算法在不同场景中更加通用。(本文来源于《信息通信》期刊2019年02期）
袁泽恒,田润澜,王晓峰[8]（2019）在《基于自适应遗传算法的雷达信号特征选择》一文中研究指出特征选择是机器学习领域的研究热点,是解决维数灾难的有效途径之一。采用一种新的自适应遗传算法和新的特征集评价准则(DFS)作为特征选择的方法。该遗传算法利用有限齐次马氏链进行建模,同时采用佳点集的方法,提高算法的准确度。该特征集评价准则通过计算特征集合中全部特征对于雷达信号分选的联合贡献来判断特征集合的优异性。仿真实验表明,该算法在雷达信号的特征选择的应用中,具有全局收敛性,有效地选择出最优特征集合,降低了特征维数,获得了更高的雷达信号分选正确率。(本文来源于《电子信息对抗技术》期刊2019年01期）
熊昌镇,车满强,葛金鹏[9]（2019）在《自适应特征选择的分层卷积视觉跟踪》一文中研究指出为提升分层卷积相关滤波跟踪算法的速度和精度,减少无效卷积通道特征对跟踪精度的影响,提出一种自适应特征选择的分层卷积相关滤波跟踪方法.该方法选取能表征目标的双层卷积特征,将相关滤波训练与预测合并,在视频序列的每一帧计算上一帧目标区域与非目标区域的卷积特征均值比,选取满足特征均值比要求的卷积通道特征训练相关滤波分类器,根据分类器与目标特征的最大响应值预测目标位置;最后根据预测结果稀疏更新目标初始帧特征,作为后续帧训练分类器的依据.在OTB-100标准数据集上对算法进行测试,实验结果表明本文算法的平均距离精度为91%,平均重迭率精度为64.4%,平均速度为21.7帧/秒,比原分层卷积相关滤波跟踪算法分别高出7.3、8.2个百分点和11.3帧/秒,该算法的平均距离精度比高精度的连续卷积跟踪算法(CCOT)高1.2个百分点,跟踪速度是CCOT的近20倍.本文算法可以有效提升分层卷积跟踪算法的速度和精度,在目标发生遮挡、快速运动等干扰时能稳定跟踪到目标.(本文来源于《光子学报》期刊2019年03期）
熊昌镇,车满强,王润玲[10]（2018）在《自适应卷积特征选择的实时跟踪算法》一文中研究指出目的针对深度卷积特征相关滤波跟踪算法因特征维度多造成的跟踪速度慢及其在目标发生形变、遮挡等情况时存在跟踪失败的问题,提出了一种自适应卷积特征选择的实时跟踪算法。方法该算法先分析结合深度卷积特征的相关滤波跟踪算法定位目标的特性,然后提出使用目标区域和搜索区域的特征均值比来评估卷积操作,选取满足均值比大于阈值的特征通道数最多的卷积层,减少卷积特征的层数及维度,并提取该卷积层的有效卷积特征来训练相关滤波分类器,最后采用稀疏的模型更新策略提高跟踪速度。结果在OTB-100标准数据集上进行算法测试,本文算法的平均距离精度值达86. 4%,平均跟踪速度达29. 9帧/s,比分层卷积相关滤波跟踪算法平均距离精度值提高了2. 7个百分点,速度快将近3倍。实验结果表明,本文自适应特征选择的方式在保证跟踪精度的同时有效地提升了跟踪的速度,且优于当前使用主成分分析降维的方式;与现有前沿跟踪算法对比,本文算法的整体性能优于实验中对比的9种算法。结论该算法采用自适应卷积通道和卷积层选择的方式有效地减少了卷积层数和特征维度,降低了模型的复杂度,提升了跟踪速度,利用稀疏模型更新策略进一步提升了跟踪的速度,减少了模型漂移现象,当目标发生快速运动、遇到遮挡、光照变化等复杂场景时,仍可实时跟踪到目标,具有较强的鲁棒性和适应性。(本文来源于《中国图象图形学报》期刊2018年11期）
自适应特征选择论文开题报告
（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：
针对复杂高维数据的膨胀及其带标签样本数据的配比变少,基于拉普拉斯图的半监督特征选择得到了广泛的关注,但是由于图拉普拉斯算子缺乏外推能力,不能较好的利用有限的标签数据,且对异常值过于敏感。因此,本文提出一种基于Hessian正则的自适应损失半监督稀疏特征选择算法(AHFS)。首先,为提升线性映射能力,利用Hessian保留了数据的局部流形结构;其次,融合了自适应损失,提升模型对具有较小或者较大损失的数据的稳定性;引入2,范数约束预测矩阵,提升特征的区分度及增加模型适应度。然后,提出一种递归迭代优化算法来求解所提出的模型。最后,通过真实的数据集进行了系统的实验,从多个方面对模型进行了分析,实验结果表明该模型提高了半监督特征选择的准确率。
（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。
自适应特征选择论文参考文献
[1].郭亚庆,王文剑,苏美红.一种针对异常点的自适应回归特征选择方法[J].计算机研究与发展.2019
[2].朱建勇,周振辰,杨辉,聂飞平.基于Hessian正则的自适应损失半监督稀疏特征选择[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[3].张玉梅.基于流形规整的扩展自适应Lasso多类别特征选择方法研究[D].安徽大学.2019
[4].王小玉,贾杰,常明明.带有弹性网络惩罚的自适应多项式回归学习机及其特征选择性能[J].安阳师范学院学报.2019
[5].廖加文,齐春,曹剑中,黄继江.结合自适应特征选择和蕨类分类器的相关滤波跟踪算法[J].西安交通大学学报.2019
[6].刘万军,孙虎,姜文涛.自适应特征选择的相关滤波跟踪算法[J].光学学报.2019
[7].武琳,焦立男,柳有权.场景自适应特征选择[J].信息通信.2019
[8].袁泽恒,田润澜,王晓峰.基于自适应遗传算法的雷达信号特征选择[J].电子信息对抗技术.2019
[9].熊昌镇,车满强,葛金鹏.自适应特征选择的分层卷积视觉跟踪[J].光子学报.2019
[10].熊昌镇,车满强,王润玲.自适应卷积特征选择的实时跟踪算法[J].中国图象图形学报.2018