基于免疫克隆选择的维数缩减及其应用

论文摘要

在对高维数据的处理中,若不考虑维数缩减的问题,会导致数据量大,计算复杂,难以提取有价值的信息等问题。根据获取有效特征的方式不同,维数缩减可以通过特征提取和特征选择两种不同的过程来实现。特征提取的基本任务是研究如何通过映射的方法把高维空间的样本用低维空间来表示。而特征选择研究的是从一组特征中挑选出最有效的特征以达到降低特征空间维数的目的。本文主要针对当前的维数缩减技术进行了研究和分析,在此基础上,结合智能计算方法,提出了几种改进的算法,主要工作如下:1.阐述了特征提取和特征选择的研究意义,探讨了当前经典的特征提取和特征选择算法,对其主要方法的性能进行了分析并通过实验进行了对比。在本章最后,提出了一种基于免疫克隆选择和遗传规划相结合的维数缩减方法。该方法利用免疫克隆选择算法可以搜索到全局最优解的特性,对具有树形式的多项式映射函数进行选择优化。在部分UCI数据集上的试验结果验证了该方法的有效性。2.提出了一种基于免疫克隆选择和主分量分析的特征提取方法。针对传统主分量分析方法的不足:不能够提供最具有鉴别性的特征向量,利用免疫克隆选择算法具有快速收敛于全局最优的特性,来寻找具有更好鉴别性能的特征向量。在UCI数据集上的实验结果验证了该方法的有效性。基于该方法生成的特征向量集,在高光谱影像的分类中,取得了好的结果。3.提出了一种基于免疫克隆选择的最优投影向量选择方法。对原始特征空间的一组正交基,随机选择其中的一部分向量集合作为初始基向量,利用免疫克隆选择算法的自主寻优性能,对基向量的方向进行优化,从而生成最优投影向量。满意的实验结果验证了该方法的有效性,为智能计算方法在特征向量优化方面的应用提供了一种新思路。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 研究现状及进展
• 1.2.1 主要特征提取方法
• 1.2.2 主要特征选择方法
• 1.3 论文的研究内容及其章节安排
• 1.3.1 本文主要研究内容
• 1.3.2 本文章节安排
• 第二章 维数缩减方法的研究及其性能比较
• 2.1 引言
• 2.2 特征提取方法的研究
• 2.2.1 线性特征提取方法的研究和分析
• 2.2.2 非线性特征提取方法的研究分析
• 2.2.2.1 基于核函数的非线性降维方法
• 2.2.2.2 基于流形学习的非线性特征提取方法
• 2.3 特征选择技术的分析与研究
• 2.3.1 特征选择的定义
• 2.3.2 特征选择方法的评价准则
• 2.3.3 特征选择方法的分类
• 2.3.3.1 按特征评价准则分类
• 2.3.3.2 按照特征搜索方式分类
• 2.3.3.3 主要特征选择方法的分类结果
• 2.4 主要特征选择方法及性能比较
• 2.5 基于免疫克隆选择和遗传规划相结合的维数缩减
• 2.5.1 引言
• 2.5.2 免疫克隆选择算法
• 2.5.3 基于免疫克隆选择和遗传规划相结合的特征提取方法
• 2.5.3.1 免疫克隆选择算法在遗传规划中的应用
• 2.5.3.2 算法步骤
• 2.5.4 实验及结果分析
• 2.6 本章小结
• 第三章 基于免疫克隆选择和PCA的特征提取
• 3.1 引言
• 3.2 PCA 的基本原理
• 3.3 基于免疫克隆选择和PCA 的特征提取算法
• 3.3.1 算法基本原理
• 3.3.2 算法主要步骤
• 3.4 基于免疫克隆选择和PCA 特征提取的高光谱图像分类
• 3.4.1 UCI 数据分类
• 3.4.2 高光谱图像的分类
• 3.5 本章小结
• 第四章 基于免疫克隆选择的最优投影向量的选择
• 4.1 引言
• 4.2 研究动机
• 4.3 免疫克隆选择算法在最优化投影向量选择中的应用
• 4.3.1 算法基本原理
• 4.3.2 算法主要步骤
• 4.4 基于免疫克隆选择最优投影向量选择的SAR 图像目标识别
• 4.4.1 UCI 数据的分类
• 4.4.2 SAR 图像目标识别—MSTAR 数据
• 4.5 本章小结
• 第五章 总结与展望
• 致谢
• 参考文献
• 硕士阶段研究成果