导读:本文包含了特征权学习论文开题报告文献综述及选题提纲参考文献，主要关键词:支持向量机(SVM),泛化能力,分类超平面,特征权学习
特征权学习论文文献综述
何强[1]（2008）在《通过特征权学习增强支持向量机的泛化能力》一文中研究指出在分类问题中,支持向量机(SVM)首先将样本映入某一高维特征空间,并在此空间中构造具有最大间隔的分类超平面.由Vapnik的统计学习理论知道,SVM泛化能力的强弱与分类超平面间隔的大小有十分密切的关系:分类平面的间隔越大,SVM的泛化能力就越强.本文提出了一种通过特征权学习来增加分类超平面的间隔,从而增强SVM泛化能力的方法.仿真试验表明,该方法对提高SVM的泛化能力是有效的.(本文来源于《河北大学学报(自然科学版)》期刊2008年04期）
陈艳,冯必波[2]（2008）在《学习特征权值对聚类算法的优化》一文中研究指出现有的k-均值聚类算法大都是以距离差异为基础的,而同等重要地依赖所有属性的相似性度量会引起误导.传统的k-均值算法选择的相似性度量通常是欧几里德距离的倒数,这种距离通常涉及所有的特征.而在距离公式中引入一些特征权值后,其聚类结果将依赖于这些权值,从而可以通过调整这些权值优化聚类效果.由于k-均值算法是迭代算法,很难直接确定其权值以优化聚类结果,因此提出了一种通过免疫算法学习权值的方法以改进聚类结果.实验结果显示,该方法确定的权重值在提高聚类效果方面是可行的、有效的.(本文来源于《重庆工学院学报(自然科学版)》期刊2008年05期）
李云峰,欧宗瑛[3]（2006）在《基于离散度准则的人脸局部特征权值学习算法》一文中研究指出提出了一种利用离散度准则计算人脸局部特征权值的方法.在利用局部特征进行人脸识别的算法中,可以依据各个局部特征对人脸识别贡献的大小,对每一个局部特征分配不同的权值,以此来提高识别效果.从模式识别的角度来看,易于分类的局部特征对人脸识别有较大的贡献,反之亦然.在特征空间中,当类内模式较密集,不同类模式相距较远时,模式特征易于分类.离散度矩阵的迹描述了模式特征的分散程度,通过运用统计学习的方法,以类内离散度矩阵之逆和类间离散度矩阵的乘积的迹作为衡量局部特征分类性能的依据,根据局部特征的分类性能来确定其权值.试验结果表明该算法可行,采用离散度准则计算的局部特征权值能够明显提高人脸识别率.与同类算法相比,该方法具有计算简便、易于实现等优点.(本文来源于《哈尔滨工业大学学报》期刊2006年09期）
王熙照,王亚东,湛燕,袁方[4]（2003）在《学习特征权值对K-均值聚类算法的优化》一文中研究指出K 均值 (K means)算法聚类的结果依赖于距离度量的选取 传统的K 均值算法选择的相似性度量通常是欧几里德距离的倒数 ,这种距离通常涉及所有的特征 在距离公式中引入一些特征权参数后 ,其聚类结果将依赖于这些权值 ,从而可以通过调整这些权值优化聚类效果 由于K 均值算法是迭代算法 ,很难直接确定其权值以优化聚类结果 ,因此提出了一种间接的学习权值算法以改进聚类结果 从数学意义上讲 ,这种权值学习相当于欧氏空间中对一组点进行了一个线性变换 数值实验证实了算法的有效性(本文来源于《计算机研究与发展》期刊2003年06期）
王丽娟[5]（2003）在《特征权学习在无导师聚类中的应用》一文中研究指出聚类分析是多元统计分析的方法之一，广泛的应用在模式识别，数据挖掘和决策分析等领域。目前常有的聚类算法有传递闭包聚类算法和Fuzzy c-mean算法。这些算法在聚类过程中存在模糊性。本文为每一个属性赋予一个权重，称之为特征权，表示这个属性的重要程度。当权重等于0时，该属性是冗余属性可以删除；当权重大于0时，随着权重的增加，该属性在聚类中的作用也越来越大。通过梯度递减算法选取重要的属性并为重要的属性赋予不同的权重。将权重应用于聚类算法，从而达到减少聚类算法的模糊性，提高聚类质量的目的。最后通过UCI中的部分数据库和Web usage mining的实验证明可我们算法的有效性。(本文来源于《河北大学》期刊2003-06-01）
特征权学习论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
现有的k-均值聚类算法大都是以距离差异为基础的,而同等重要地依赖所有属性的相似性度量会引起误导.传统的k-均值算法选择的相似性度量通常是欧几里德距离的倒数,这种距离通常涉及所有的特征.而在距离公式中引入一些特征权值后,其聚类结果将依赖于这些权值,从而可以通过调整这些权值优化聚类效果.由于k-均值算法是迭代算法,很难直接确定其权值以优化聚类结果,因此提出了一种通过免疫算法学习权值的方法以改进聚类结果.实验结果显示,该方法确定的权重值在提高聚类效果方面是可行的、有效的.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
特征权学习论文参考文献
[1].何强.通过特征权学习增强支持向量机的泛化能力[J].河北大学学报(自然科学版).2008
[2].陈艳,冯必波.学习特征权值对聚类算法的优化[J].重庆工学院学报(自然科学版).2008
[3].李云峰,欧宗瑛.基于离散度准则的人脸局部特征权值学习算法[J].哈尔滨工业大学学报.2006
[4].王熙照,王亚东,湛燕,袁方.学习特征权值对K-均值聚类算法的优化[J].计算机研究与发展.2003
[5].王丽娟.特征权学习在无导师聚类中的应用[D].河北大学.2003
标签：支持向量机(SVM); 泛化能力; 分类超平面; 特征权学习;