版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、現(xiàn)代社會中,數(shù)據(jù)信息以爆炸式增長,數(shù)據(jù)的樣本量和維度都不斷增高。數(shù)據(jù)挖掘技術(shù)的出現(xiàn),有效地解決了如何從海量數(shù)據(jù)中發(fā)現(xiàn)有價值信息的問題。分類是數(shù)據(jù)挖掘中最重要的技術(shù)之一,被廣泛應(yīng)用于多個領(lǐng)域。如何有效地利用特征信息,提高分類算法的效果,一直是分類技術(shù)研究的熱點(diǎn)。通過組合特征擴(kuò)大特征空間的算法被證明可以有效地提高分類算法的分類效果。
TSP(Top Scoring Pair)算法以特征對的形式組合特征,并選擇最優(yōu)特征對進(jìn)行分類,具
2、有簡單高效等優(yōu)點(diǎn)。k-TSP算法是對TSP算法的一種擴(kuò)展,區(qū)別于TSP算法使用一對特征進(jìn)行分類的方式,k-TSP算法使用k>0對特征進(jìn)行分類。從組合特征的角度看,TSP算法使用固定的形式將任意兩個特征組合為特征對,是特征線性組合的一種特殊形式。組合方式的約束限制了 TSP算法中特征對的分類能力。本文使用 SVM(Support Vector Machine)算法構(gòu)造兩特征的線性組合,用其代替TSP算法中固定的特征組合,提出了 LC-TS
3、P算法,并將 LC-TSP算法擴(kuò)展為使用多個線性組合特征進(jìn)行分類的LC-k-TSP算法。在公共數(shù)據(jù)集上的實(shí)驗(yàn)證明了LC-TSP算法和LC-k-TSP算法具有比TSP算法和k-TSP算法更優(yōu)的分類性能。
相關(guān)性組合特征是基于一對特征的皮爾森相關(guān)系數(shù)構(gòu)造出的新特征,有研究證明了其可以表示特征間相關(guān)性的變化,有利于發(fā)現(xiàn)類別區(qū)分能力強(qiáng)的特征。然而相關(guān)性組合特征的構(gòu)造會引入過多的特征,可能造成維數(shù)災(zāi)難。本文根據(jù)相關(guān)性組合特征的形式和原理
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于多特征組合和SVM的視頻內(nèi)容自動分類算法研究.pdf
- 基于SVM與AdaBoost組合的分類算法研究.pdf
- 基于底層特征和SVM的圖像分類.pdf
- 基于GMM和SVM的音頻分類算法.pdf
- 集成Logistic和SVM的分類算法研究.pdf
- SVM文本分類中基于法向量的特征選擇算法研究.pdf
- 基于SVM分類算法的主題爬蟲研究.pdf
- 基于加權(quán)多特征融合和SVM的圖像分類研究.pdf
- 基于SVM及特征加權(quán)的圖像分類研究.pdf
- 基于隨機(jī)子空間的SVM分類算法研究.pdf
- 基于SVM算法的web分類研究與實(shí)現(xiàn).pdf
- 基于分類特征映射和SVM的說話人確認(rèn)方法研究.pdf
- 基于SVm-RFE和粒子群算法的特征選擇算法研究.pdf
- 基于SVM的食物圖像分類算法的研究.pdf
- 基于多特征融合和SVM分類的圖像檢索技術(shù)研究.pdf
- 基于SVM的分類挖掘算法及其應(yīng)用.pdf
- 基于SVM組合分類器的局域氣象預(yù)測研究.pdf
- 基于SVM算法的本體實(shí)例分類改進(jìn)研究.pdf
- 基于SVM分類器的分步定位算法研究.pdf
- 基于CNN特征學(xué)習(xí)和SVM的極化SAR影像地物分類.pdf
評論
0/150
提交評論