基于圖的半監(jiān)督學習和維數(shù)約簡方法及其應用研究.pdf

1、半監(jiān)督學習和維數(shù)約簡已經(jīng)成為當前機器學習領(lǐng)域的研究熱點。半監(jiān)督學習研究的目的是在整個數(shù)據(jù)集中只有一部分樣本有標記的情況下，如何對數(shù)據(jù)進行分類。本文主要研究的是基于圖的半監(jiān)督學習方法與應用。維數(shù)約簡是在盡可能多地保持數(shù)據(jù)集結(jié)構(gòu)的前提下，將數(shù)據(jù)集轉(zhuǎn)換成一個新的數(shù)據(jù)集，新數(shù)據(jù)集的維數(shù)是原始數(shù)據(jù)集的本征維數(shù)。本文對基于圖的半監(jiān)督學習和維數(shù)約簡方法與應用進行了系統(tǒng)的研究，具體來說，全文的主要工作概括如下：
　　 (1)提出了一種新的多步驟

2、降維方法對基因表達譜數(shù)據(jù)進行降維。首先采用秩和檢驗方法來進行差異表達的基因選擇，然后將排在前面的一定數(shù)量的基因再進行離散余弦變換，并采用主成分分析對變換后的系數(shù)進行主成分提取。我們首先將基于圖的半監(jiān)督方法引入到腫瘤分類中，采用基于圖的半監(jiān)督學習算法對抽取的主成分特征進行分類性能評估。
　　 (2)針對基于圖的半監(jiān)督學習方法提出了一種新的自適應權(quán)值學習方法。傳統(tǒng)的基于圖的半監(jiān)督學習算法大都采用高斯函數(shù)來計算圖的邊權(quán)。我們提出一種新

3、穎的針對基于圖的半監(jiān)督學習方法的邊權(quán)設(shè)計方法。該方法添加了標簽信息，并且采用測地距離而不是歐氏距離來計算兩個樣本點之間的距離。此外，我們還添加了類的先驗信息，并針對基于局部和全局一致性的學習方法來改進邊權(quán)。實驗結(jié)果表明，我們所提出的方法要優(yōu)于原算法。
　　 (3)提出了一種基于局部保持投影的監(jiān)督特征提取方法，即局部保持判別投影算法。局部保持投影(LPP)沒有加入判別信息，僅僅考慮局部信息。我們將類內(nèi)散度矩陣和類間散度矩陣加入到L

4、PP的目標函數(shù)中，從而提出局部保持判別投影(LPDP)方法。該方法的優(yōu)點是能夠最大化類間距離和最小化類內(nèi)距離，同時保持LPP的局部保持特性。LPDP可被看作是一種組合了流形準則和Fisher準則的新方法。因此，與LPP相比，LPDP能夠成功地找到具有更好判別性能的子空間，因而更適合于做分類，從而能有效地提高識別率。
　　 (4)提出了基于譜回歸的判別分析(Spectral Regression Discriminant Anal

5、ysis，SRDA)和基于譜回歸的核化判別分析(Spectral Regression Kernel DiscriminantAnalysis，SRKDA)的正則化參數(shù)估計方法。SRDA的正則化參數(shù)的估計在以往的研究中沒有得到很好的解決。我們基于擾動的線性判別分析(Perturbation LinearDiscriminant Analysis，PLDA)準則提出一種新的方法，來估計SRDA的正則化參數(shù)。在另一方面，SRKDA的正則化參