低維低秩數(shù)據(jù)表達(dá)與嵌入.pdf

1、獨(dú)創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。據(jù)我所知，除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得安徽大學(xué)或其他教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示謝意。學(xué)位論文作者簽名：濼藿、I簽字日期：加J畢年f7月羽日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完全了解安徽大學(xué)有關(guān)保留、使用學(xué)

2、位論文的規(guī)定，有權(quán)保留并向國家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和磁盤，允許論文被查閱和借閱。本人授權(quán)安徽大學(xué)可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存、匯編學(xué)位論文。(保密的學(xué)位論文在解密后適用本授權(quán)書)學(xué)位論文作者簽名：導(dǎo)師簽名：l百琵『)匕簽字日期：≯J夠年If月zD日簽字日期：羽f夠年／／月刃Et低維低秩數(shù)據(jù)表達(dá)與嵌入在基于前述稀疏學(xué)習(xí)的基礎(chǔ)上，本文研究將變量相關(guān)度加入基于稀疏學(xué)習(xí)的

3、變量選擇模型中?？梢钥吹?，在以往的類LASSO變量選擇工作中沒有考慮變量相關(guān)度。而在大部分現(xiàn)實(shí)應(yīng)用的數(shù)據(jù)中，預(yù)測因子常常是相關(guān)的。強(qiáng)相關(guān)的預(yù)測因子會有相似的屬性，并含有一些重復(fù)信息。尤其當(dāng)被選出因子的數(shù)量較為有限時(shí)，我們需要這些被選出的因子含有較多的信息，所以希望模型盡量不要選出相關(guān)度較高的預(yù)測因子。強(qiáng)相關(guān)的預(yù)測因子最好只被挑出一個(gè)，它將會含有大量的信息。以我們了解的目前文獻(xiàn)看，現(xiàn)存的類LASSO變量選擇方法沒有考慮變量相關(guān)度。我們研究

4、“不相關(guān)LASSO變量選擇”模型；接著對這個(gè)模型進(jìn)行理論分析，研究解決它的有效迭代算法并證明了其收斂性。我們在兩個(gè)著名的基因數(shù)據(jù)集上驗(yàn)證了模型的有效性。目前，許多數(shù)據(jù)應(yīng)用工作帶來越來越多的高維及含有噪聲的數(shù)據(jù)。在本文中，我們?nèi)匀豢紤]維度約減工作，同時(shí)考慮去噪相關(guān)工作。本文中，我們研究將局部線性映射(LLE)模型中的兩個(gè)步驟(計(jì)算近鄰點(diǎn)和計(jì)算權(quán)值)進(jìn)行結(jié)合，整合成為一套獨(dú)立而完整的體系。我們將這種方法稱為魯棒的集成局部線性嵌入模型。模型通