导读:本文包含了基于特征空间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:模型选择,支持向量机,随机傅里叶特征,高斯核
基于特征空间选择论文文献综述
冯昌,廖士中[1]（2016）在《随机傅里叶特征空间中高斯核支持向量机模型选择》一文中研究指出模型选择是支持向量机(support vector machines,SVMs)学习的关键问题.标准支持向量机学习本质上是求解一个凸二次优化问题,求解的时间复杂度为数据规模的立方级,而经典的模型选择方法往往需要多次训练支持向量机,这种模型选择方法对于中等规模的支持向量机学习计算代价已较高,更难以扩展到大规模支持向量机学习.基于高斯核函数的随机傅里叶特征近似,提出一种新的、高效的核支持向量机模型选择方法.首先,利用随机傅里叶特征映射,将无限维隐式特征空间嵌入到一个相对低维的显式随机特征空间,并推导在2个不同的特征空间中分别训练支持向量机所得到的模型的误差上界;然后,以模型误差上界为理论保证,提出随机特征空间中核支持向量机的模型选择方法,应用随机特征空间中的线性支持向量机来逼近核支持向量机,计算模型选择准则的近似值,从而评价所对应的核支持向量机的相对优劣;最后,在标杆数据集上验证所提出方法的可行性和高效性.实验结果表明,所提出的模型选择方法与标准交叉验证方法的测试精度基本相当,但可显着地提高核支持向量机模型选择效率.(本文来源于《计算机研究与发展》期刊2016年09期）
毛文涛,赵中堂,贺欢欢[2]（2013）在《基于隐特征空间的极限学习机模型选择》一文中研究指出针对极限学习机(ELM)中冗余的隐神经元会削弱模型泛化能力的缺点,提出了一种基于隐特征空间的ELM模型选择算法。首先,为了寻找合适的ELM隐层,在ELM中添加正则项,该项为现有隐层空间到低维隐特征空间的映射函数矩阵的Frobenius范数;其次,为解决该非凸问题,采用交替优化的策略,并通过凸二次型优化学习该隐空间;最终自适应得到最优映射函数和ELM模型。分别采用UCI标准数据集和载荷识别工程数据对所提算法进行测试,结果表明,与经典ELM相比,该算法可有效提高预测精度和数值稳定性,与现有模型选择算法相比,该算法预测精度相当,但运行时间则大幅降低。(本文来源于《计算机应用》期刊2013年06期）
张岐龙,单甘霖,段修生,刘谊露[3]（2010）在《基于特征空间中类别可分性判据的特征选择》一文中研究指出针对支持向量机首先要将数据通过一个非线性函数映射到高维特征空间,从而在特征空间中改变了数据的分布,因此在设计支持向量机分类器时有必要在特征空间进行特征选择,而非原空间。提出在特征空间中利用类别可分性判据进行特征选择,将类内类间距离引申到特征空间来计算可分性判据。通过仿真,该方法能够有效地在特征空间进行特征选择。(本文来源于《火力与指挥控制》期刊2010年06期）
高琳,唐鹏,盛鹏[4]（2010）在《基于前景分割和特征空间自适应选择的视觉目标跟踪》一文中研究指出提出一种视觉跟踪任务中鲁棒的目标模型更新算法.首先利用结合空域信息的特征直方图对目标和背景进行建模;然后通过引入信息论中的交叉熵,定量地评价各个特征空间下目标和背景的差异性,选择差异性最大的特征空间更新目标模型,并用均值漂移算法定位目标.为解决模型更新中的偏移问题,采用条件随机场(CRF)模型,通过融合图像序列的时空上下文信息分割出目标前景,利用分割结果减小模型更新的误差.实验结果验证了该算法的有效性.(本文来源于《控制与决策》期刊2010年02期）
王子磊,奚宏生,盛延敏[5]（2006）在《基于特征空间的MIMO天线选择算法》一文中研究指出多输入多输出(MIMO)系统中多天线阵元(MEA)的使用增加了硬件成本和信号处理负担,而天线选择技术能够在损失MIMO性能很小的条件下大幅度降低硬件需求。在最大化信道容量的准则下,提出了一种基于信道状态信息(CSI)特征空间的渐消算法及相应的启发式简化算法,并说明了简化算法等价于特征空间矩阵上的基于范数的选择(NBS)算法。仿真实验表明,在接收天线选择个数大于发送天线个数的条件下,两种算法达到的中断容量接近最优选择算法,且计算时间较小。(本文来源于《电波科学学报》期刊2006年04期）
钟春香,黄振德,周冠雄[6]（1980）在《图象特征选择问题的讨论及特征空间维数的确定》一文中研究指出本文根据Karhunen-Lo(?)ve展开,研究了图象特征的选择问题,指出特征选择实际上是确定特征空间M的维数m.考虑到在实际问题中,特征空间M的维数m远比测量空间N的维数n小,本文提出了特征值集群的概念,讨论图象特征可选择问题,并确定了特征空间M的维数m.(本文来源于《华中工学院学报》期刊1980年S1期）
基于特征空间选择论文开题报告
（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：
针对极限学习机(ELM)中冗余的隐神经元会削弱模型泛化能力的缺点,提出了一种基于隐特征空间的ELM模型选择算法。首先,为了寻找合适的ELM隐层,在ELM中添加正则项,该项为现有隐层空间到低维隐特征空间的映射函数矩阵的Frobenius范数;其次,为解决该非凸问题,采用交替优化的策略,并通过凸二次型优化学习该隐空间;最终自适应得到最优映射函数和ELM模型。分别采用UCI标准数据集和载荷识别工程数据对所提算法进行测试,结果表明,与经典ELM相比,该算法可有效提高预测精度和数值稳定性,与现有模型选择算法相比,该算法预测精度相当,但运行时间则大幅降低。
（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。
基于特征空间选择论文参考文献
[1].冯昌,廖士中.随机傅里叶特征空间中高斯核支持向量机模型选择[J].计算机研究与发展.2016
[2].毛文涛,赵中堂,贺欢欢.基于隐特征空间的极限学习机模型选择[J].计算机应用.2013
[3].张岐龙,单甘霖,段修生,刘谊露.基于特征空间中类别可分性判据的特征选择[J].火力与指挥控制.2010
[4].高琳,唐鹏,盛鹏.基于前景分割和特征空间自适应选择的视觉目标跟踪[J].控制与决策.2010
[5].王子磊,奚宏生,盛延敏.基于特征空间的MIMO天线选择算法[J].电波科学学报.2006
[6].钟春香,黄振德,周冠雄.图象特征选择问题的讨论及特征空间维数的确定[J].华中工学院学报.1980