毕业论文：《结合局部搜索的粒子群优化算法研究及应用》.doc

本 科 毕 业 设 计 论 文 题 目 随机子空间方法在高维数据分析 中的应用与实现 学 院 计算机学院 专 业 教育技术学 学生姓名 导师姓名 摘 要 在过去的几十年内，数据采集能力的提高以及存储容量的增长，导致了科学研究的很多领域中信息量急剧增长，它向人们提供更加丰富、细致的信息的同时也造成了大量的信息冗余。在机器学习和模式识别领域的应用中，高维数据产生的维数灾难问题通常会影响传统算法的性能。分析了传统算法在处理大规模、高维数据时遇到的困难和问题,比较了各种降维方法的优劣，从原理上论证了随机子空间算法处理大规模、高维数据集的优势。 本文调查了随机子空间集成方法去修正与适应基于模式识别和机器学习的高维数据的挑战。随机子空间方法属于子空间取样技术,通过将训练样本集映射到特征空间的子空间中形成新的训练集，而后在每一新的训练集上训练一个分类器。相比一般模式识别问题，对高维数据进行分析时，随机子空间学习不必受限于特征的重复使用。面对大规模的特征向量，需要挑选出数量和容积都满足要求的特征子集，形成特征子集集合训练分类器。本文提出的随机子空间集成方法也可以推广到其它相关方面的应用中去。 关键词：维数灾难 随机子空间方法 特征向量 模式识别 Abstract The improving abilities of data collection and storage capabilities during the past decades have led to information overload in most scientific domains. Traditional algorithms used in machine learning and pattern recognition applications are often susceptible to the well-known problem of the curse of dimensionality. Because tradition algorithms encounter many difficulties and challenges when dealing with the high dimensional data, we compare the advantages and shortcomings of different dimensional reduction methods, and then conclude that random subspace ensembles are essential and useful. In this paper, we investigate the revision and adaptation of serious challenge of high dimensional data to pattern recognition and machine learning using random subspace ensembles. Random subspace methods belong to subspace sampling technology, which make training samples mapped to the subspace of feature space to form new training sets, and then on each new training set training a classifier. Compared to general pattern recognition problems, when high-dimensional data analysis, random subspace learning is not restricted to reusing of feature. Facing the large-scale feature vector, we need to pick feature subset whose quantity and volume meet the requirements to form feature subset