简介:Laplacian特征映射是基于欧氏距离的近邻数据点的保持,高维数据点的近邻选取最终将影响全局低维坐标.本文将鉴别信息引入到近邻数据点中,使用有鉴别信息的距离测度来代替欧式距离测度,提出了一种基于自适应测度的半监督拉普拉斯特征映射相关反馈算法FAD-SSLE(feedbackonadaptivedistancesemi-supervisedlaplacianeigenmaps).在图像检索上的实验结果表明,该方法能够有效地利用少量的监督信息来提高分类和检索性能.
简介:摘要:随着能源技术的发展,能源数据的种类和数据量增大,这给能源目录体系的构建和能源数据的使用带来挑战。为了对能源目录关键项进行提取,降低能源目录的冗余度,本文基于联合互信息的半监督特征选择算法,提出了一种能源目录关键项提取方法。首先,针对能源目录标签信息不完整的问题,采用半监督学习算法将半监督数据集转换为有监督数据集。其次,基于联合互信息对能源目录中所有项目进行重要度排序。然后,根据得到的不同特征子集,计算其分类准确率。最后,通过对比分析得到最终的能源目录关键项。算例结果表明,在数据样本标签信息不完整的情况下,本文所提方法可以在剔除较多特征的时候仍保持较高的分类准确率,验证了该方法的合理性、有效性。