《高維數據的特徵選擇——理論與算法》是2016年科學出版社出版的圖書，作者是劉波、何希平。
《高維生物數據的PLS特徵選擇方法研究》是依託福建師範大學，由游文杰擔任項目負責人的面上項目。項目摘要 基於統計計算與機器學習理論方法，針對高維數、小樣本、高噪聲、強相關和多類別的生物數據，研究偏最小二乘特徵選擇模型算法。給出...
本項目研究在機器學習的背景下，實現高維數據的特徵選擇。主要是針對四個方面的研究：量子進化算法的改進；基於量子進化算法的高維特徵選擇；基於模型組合的高維特徵選擇；基於特徵選擇方法可靠性的模型診斷。針對高維數據進行特徵選擇，有利於...
該項目成果為高維數據特徵選擇/抽取提供通用框架，可以靈活組合不同的生物啟發式算法、過濾特徵選擇方法和數據分析方法。新框架對於面臨高維數據挑戰的許多前沿研究領域有理論價值和潛在套用前景，能在一定程度上解決高維數據的特徵選擇/抽取問題...
《代謝組學中的生物啟發式高維數據特徵選擇方法研究》是依託深圳大學，由紀震擔任項目負責人的面上項目。項目摘要 代謝組學中的高維數據由於特徵空間維數過高，傳統最佳化搜尋算法都很難在短時間內找到令人滿意的特徵子集，如何提高代謝組學的...
對比分析了參數、數據集特點和數據擾動的影響，揭示了隨機森林內部存在的不穩定性；考慮到集成學習算法的間隔理論，根據特徵對隨機森林的間隔分布的影響設計了新的特徵選擇算法；提出一種基於集成學習的Multi-relief-F算法，結果更加穩定。
選擇的搜尋策略對聚類結果有很大的影響。根據搜尋的方向的不同，可以將子空間聚類方法分成兩大類：自頂向下的搜尋策略和自底向上的搜尋策略。子空間聚類是實現高維數據集聚類的有效途徑，它是在高維數據空間中對傳統聚類算法的一種擴展，...
如何有效地處理多標記數據的高維性，構建高效、魯棒、強泛化能力的多標記學習算法是多標記學習的瓶頸和難點。本項目以大規模高維的多標記數據為研究對象，針對已有研究中存在的多標記數據學習方法和及其特徵選擇等問題，研究特徵選擇在多標記...
擬構造基於特徵的差異度測度，結合與分類器無關的特徵選擇算法理論，並針對樣本數不均衡問題設計運算元，從而搜尋與分類界面無關的可靠基因表達模式組合，進而深入探討致癌基因的相互調控作用。並將結合流形學習等非線性降維方法，實現數據的...
傳統的高維小樣本數據處理方法將面向知識的符號學習與面向數據的統計學習對立,因而其處理性能不高、可解釋性差。本課題結合先驗約束運用粒子群最佳化(PSO)和極端學習機(ELM)從數據層、模型層和算法層上對高維小樣本數據的處理進行研究。本課...
通過這些研究內容的探索與創新，建立四個層次的理論體系，提出並解決其中的關鍵問題，開發具體問題的高性能算法，為實際套用提供高效率、低成本、低風險的數據挖掘方案。結題摘要 維數約簡是機器學習中的核心問題，如何從高維大數據中學習...
項目研究成果對於完善現有的算法交易策略的理論和算法以及拓展聚類分析的套用都具有重要的研究價值，同時可以為實際的金融市場決策提供可行的解決方案及科學依據。結題摘要 本課題圍繞算法交易中高維海量數據分析和算法交易策略模型建立等關鍵問題...
[1] 劉波，何希平，高維數據的特徵選擇--理論與算法，科學出版社，400千字，2016.6 [2] 何希平,劉波.深度學習理論與實踐，科學出版社，350千字，2017.4 [3]劉波. 深入理解OpenCV.機械工業出版社.2014.9.[4]劉波，靳小波等. ...
對高維數據的特徵選擇問題展開了研究，提出Lp-SVM的等價模型和求解算法，實現特徵選擇和分類性能的提高。 本項目相關工作取得了較好的研究成果，對無線Mesh網路流量負載均衡及其相關技術的發展有較好的理論參考價值和現實意義。
2012年2月至2013年2月在美國亞利桑那州立大學訪學，重點研究重點研究從海量數據中獲取知識所必需的理論和技術。主要研究包括：1）高效的特徵選擇和抽取算法，試圖通過特徵選擇和特徵演化的方式來處理大量的高維數據；2）結合認知理論，集成多...
