高維數(shù)據(jù)的特征選擇

 基本概念 1．1 特征選擇 1．1．1 相關特征 1．1．2 冗余特征 1．2 特征變換 1．3 特征提取 1．3．1 尺度不變特征變換 1．3．2 方向梯度直方圖 1．4 本章小結 1．5 本書的組織 2 特征選擇及相關技術研究現(xiàn)狀 2．1 傳統(tǒng)特征選擇的研究現(xiàn)狀 2．1．1 生成特征子集 2．1．2 評價特征子集 2．2 監(jiān)督特征選擇算法研究現(xiàn)狀 2．2．1 過濾式特征選擇算法 2．2．2 綁定式 2．2．3 嵌入式特征選擇算法 2．3 本章小結 3 組稀疏子空間的大間隔特征選擇 3．1 模型的基本思想 3．1．1 大間隔學習 3．1．2 組稀疏子空間學習 3．2 模型的建立與實現(xiàn) 3．2．1 模型的建立 3．2．2 目標函數(shù)的求解 3．3 算法收斂性分析 3．4 本章小結 4 Trace Ratio- 組稀疏子空間的大間隔特征選擇 4．1 模型建立的基本思想 4．2 模型建立及算法的實現(xiàn) 4．2．1 模型的建立 4．2．2 TR-GSLM算法的求解過程 4．2．3 TR-GSLM算法的收斂性分析 4．3 本章小結 5 高效的Trace：Ratio-組稀疏子空間的大間隔特征選擇 5．1 模型建立的基本思想 5．2 ETR-GSLM算法實現(xiàn)過程 5．3 ETR-GSLM收斂性分析 5．4 實驗分析 5．4．1 實驗數(shù)據(jù)集及環(huán)境 5．4．2 參與比較的算法 5．4．3 基于分類精度的特征選擇算法性能比較 5．4．4 平均分類精度的比較 5．4．5 提取前30％和60％的特征的分類精度比較 5．4．6 參數(shù)的敏感性分析與比較 5．4．7 算法的效率比較 5．4．8 實驗小結 5．5 本章小結 6 無監(jiān)督的特征選擇 6．1 無監(jiān)督特征選擇的分類 6．2 過濾式無監(jiān)督特征選擇 6．2．1 Laplacian評分 6．2．2 譜分解的特征選擇算法 6．3 嵌入式無監(jiān)督特征選擇 6．3．1 將結構信息與機器學習算法結合 6．3．2 結構信息，聚類信息與機器學習算法結合 6．3．3 結構信息，動態(tài)更新聚類信息和機器學習算法結合 6．3．4．動態(tài)更新結構信息，聚類信息和機器學習算法結合 6．4 本章小結 7 計算機視覺中的特征選擇 7．1 高斯混合模型 7．1．1 生成方法和判別方法 7．1．2 高斯混合模型 7．2 Fisher向量 7．3 基于Fisher向量的特征選擇 7．4 本章小結 參考文獻