• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    擴展ReliefF的兩種多標(biāo)簽特征選擇算法

    2017-08-12 15:45:56馬晶瑩宣恒農(nóng)
    計算機應(yīng)用與軟件 2017年7期
    關(guān)鍵詞:約簡特征選擇子集

    馬晶瑩 宣恒農(nóng)

    (南京財經(jīng)大學(xué)信息工程學(xué)院 江蘇 南京 210000)

    ?

    擴展ReliefF的兩種多標(biāo)簽特征選擇算法

    馬晶瑩 宣恒農(nóng)

    (南京財經(jīng)大學(xué)信息工程學(xué)院 江蘇 南京 210000)

    針對ReliefF算法局限于單標(biāo)簽數(shù)據(jù)問題,提出兩種多標(biāo)簽特征選擇算法Mult-ReliefF和M-A算法。Mult-ReliefF算法重新定義了類內(nèi)最近鄰和類外最近鄰的查找方法,并加入標(biāo)簽的貢獻(xiàn)值更新特征權(quán)重公式。M-A算法在Mult-ReliefF算法的基礎(chǔ)下,利用鄰域能去除冗余的特性,更多地去除冗余特征達(dá)到更好的降維效果。采用ML-KNN分類算法進行實驗。在多個數(shù)據(jù)集上測試表明,Mult-ReliefF算法能提高分類效果,M-A算法能獲得最小的特征子集。

    多標(biāo)簽分類 特征選擇 數(shù)據(jù)降維 ReliefF 鄰域粗糙集

    0 引 言

    在傳統(tǒng)的分類任務(wù)中,每個樣本僅有一個類別標(biāo)簽。然而在許多現(xiàn)實問題中,一個對象能夠同時被多個標(biāo)簽標(biāo)記,這稱為多標(biāo)簽分類[1]。比如說一幅圖片可以同時標(biāo)記為“藍(lán)天”和“大?!保灰徊侩娪巴瑫r分類為“動作片”和“喜劇片”;一位病人被診斷患有多種疾病等。多標(biāo)簽分類技術(shù)近年來備受關(guān)注,并且被不斷應(yīng)用到多個領(lǐng)域中如多媒體內(nèi)容的自動標(biāo)注[2]、生物信息[3]、Web挖掘[4]、信息檢索[5]和個性化推薦[6]等。在多標(biāo)簽分類中,樣本是由高維數(shù)據(jù)描述的,描述樣本的特征數(shù)量一般較多,其中存在大量冗余和不相關(guān)的特征,這會使得后繼分類工作難度增加。特征選擇是指從原始特征集中,選出能使某種評價標(biāo)準(zhǔn)最優(yōu)的特征子集。在分類任務(wù)前,對特征集約簡,能夠有效減少描述樣本的特征個數(shù),縮短運行時間,提高分類精度。

    文獻(xiàn)[7]在粗糙集理論基礎(chǔ)上,利用鄰域粗糙集的下近似和依賴度,設(shè)計適合多標(biāo)簽數(shù)據(jù)的特征選擇算法,并驗證算法的有效性。但是該算法沒有考慮標(biāo)簽之間的相關(guān)性并且不適用高維稀疏數(shù)據(jù)。文獻(xiàn)[8]將遺傳算法和主成分分析法結(jié)合,同時應(yīng)用貝葉斯分類器的方法完成特征提取。但是由于使用的主成分分析法只能用于特征值連續(xù)的數(shù)據(jù),所以導(dǎo)致該方法有一定的局限性。文獻(xiàn)[9]通過子空間降維和映射降維兩種映射策略來定義一個低維特征空間,這種映射仍然采用核矩陣。文獻(xiàn)[10]使用特征和標(biāo)簽之間的信息增益刪除不相關(guān)的特征,達(dá)到降維的目的,但忽略了特征之間的相關(guān)性。

    ReliefF[11-12]是一個經(jīng)典的特征選擇算法,利用特征與類別之間的相關(guān)性大小來評判特征好壞,好的特征能使同類樣本靠近,異類樣本遠(yuǎn)離。但是它沒有考慮到標(biāo)簽共現(xiàn)的情況,所以只適用于單標(biāo)簽數(shù)據(jù)。本文算法擴展ReliefF算法,重新定義最近鄰樣本,加入標(biāo)簽對特征的貢獻(xiàn)值,實現(xiàn)了多標(biāo)簽分類任務(wù)的特征選擇,并通過實驗驗證該算法的有效性。ReliefF算法通過特征權(quán)值的排序選擇前k個,不能去除冗余的特征,因此擴展的算法也有這一不足。結(jié)合文獻(xiàn)[7]考慮到粗糙集能通過刪除冗余條件屬性來實現(xiàn)屬性約簡,進行二層特征約簡,實驗表明能更好地降低特征維度。

    1 多標(biāo)簽的特征選擇算法

    1.1 單標(biāo)簽ReliefF特征選擇算法

    Kira和Rendell在1992年提出的Relief算法只適用于兩類數(shù)據(jù)的特征選擇,而實際應(yīng)用中多類問題存在更多。隨后兩年,Kononenko在Kira工作的基礎(chǔ)上提出了ReliefF算法解決了多類問題。ReliefF算法的基本思想:在訓(xùn)練集中選取m個隨機樣本,對每個樣本找到它的k個類內(nèi)最近鄰(Hit)和類外最近鄰(Miss),求出樣本各特征與類別的相關(guān)性,求平均得到各特征的權(quán)重。將特征的權(quán)重排序,根據(jù)設(shè)定的閾值來選擇有效特征。

    記訓(xùn)練樣本集U={(x1,y1),(x2,y2),…,(xn,yn)},其中xi∈Rn是樣本的屬性空間,p為樣本屬性個數(shù);yi∈RL為樣本類別空間,L為所給單標(biāo)簽數(shù)據(jù)集的類別個數(shù)。

    在樣本空間中:

    每個樣本的類別標(biāo)簽滿足:

    (1)

    每一個樣本只能被一個標(biāo)簽標(biāo)記,所以ReliefF算法只適用于單標(biāo)簽數(shù)據(jù)。

    算法1 ReliefF算法

    輸入:訓(xùn)練數(shù)據(jù)集U,迭代次數(shù)m,最近鄰樣本個數(shù)k

    輸出:特征權(quán)重向量W

    (1) 初始化W(1:p)=0.0;

    (2) fori=1∶m

    (3) 從U中隨機選擇一個樣本記Ri;

    (4) 找到與樣本Ri同類的k個最近鄰Hj;

    (5) for eachC≠Class(Ri)

    (6) 找Ri不同類的k個最近鄰Mj(C);

    (7) fora=1∶p

    (9) end

    (10) end

    (11) end

    Hj表示與樣本Ri同類的第j個樣本,Class(Ri)表示樣本Ri所包含的類別標(biāo)簽,d(a,x1,x2)表示樣本x1和x2關(guān)于特征a的距離,P(C)表示類別C的概率,Mj(C)表示類別C的第j個樣本。最終得到所有特征的權(quán)值,權(quán)值越大表示該特征對樣本的區(qū)分能力越強,設(shè)定閾值選擇符合條件的特征從而達(dá)到降維的目的。

    在這里Class(Ri)只包含一個標(biāo)簽,從算法1的(4)、(6)中可以看出尋找的最近鄰是以某個樣本屬于某一類為前提的,沒有考慮樣本同時擁有多個標(biāo)簽的情況。所以ReliefF算法只針對單標(biāo)簽數(shù)據(jù),而當(dāng)Class(Ri)是一個標(biāo)簽集合時不再適用,對于多標(biāo)簽數(shù)據(jù)的特征選擇問題需要進一步研究。

    1.2Mult-ReliefF特征選擇算法

    現(xiàn)實中大多數(shù)據(jù)并不能清晰地劃分為多個不相交的類別,每一個數(shù)據(jù)樣本均可能同時屬于多個類別。若在多標(biāo)簽中能很好地找到隨機樣本的最近鄰那么ReliefF算法也能用于多標(biāo)簽數(shù)據(jù)?;诖吮疚奶岢隽薓ult-ReliefF算法解決查找最近鄰問題,并且考慮每個標(biāo)簽對屬性的貢獻(xiàn)值,更新權(quán)值公式。

    一個樣本R可以被一個或一個以上標(biāo)簽標(biāo)記,將樣本R的標(biāo)簽看作一個集合LR,全部樣本空間看作全集L,那么樣本標(biāo)簽的補集CLLR就被定義為樣本R的不同標(biāo)簽集。記L(x)表示為樣本x的標(biāo)簽集合,那么定義同類樣本滿足,非同類樣本,相關(guān)模糊樣本。

    又在多標(biāo)簽數(shù)據(jù)中,每個樣本的標(biāo)簽滿足:

    {x|L(x)∩LR≠?∧L(x)∪LR=LR},非同類樣本

    {x|L(x)∩LR≠?},相關(guān)模糊樣本

    {x|L(x)∩LR≠?∧L(x)∪LR?LR}。

    又在多標(biāo)簽數(shù)據(jù)中,每個樣本的標(biāo)簽滿足:

    (2)

    所以不考慮L(x)為空集的可能。

    對隨機選擇的樣本R,若查找不到k個近鄰,則重新選擇隨機樣本。根據(jù)新的類內(nèi)最近鄰樣本和類外最近鄰樣本的定義,可以很好地解決ReliefF算法不能處理樣本類別共現(xiàn)問題。在迭代更新權(quán)值時,將標(biāo)簽的貢獻(xiàn)值加入到公式中,改進特征權(quán)值的更新公式更好地調(diào)節(jié)權(quán)重分配。

    算法2 Mult-ReliefF特征選擇算法

    輸入:樣本的特征矩陣X,樣本的標(biāo)簽矩陣Y,迭代次數(shù)m,近鄰樣本個數(shù)K

    輸出:特征的權(quán)值向量W

    (1) 初始化W(1∶p)=0.0;

    (2) fori=1∶m

    (3) 從U中隨機選擇一個樣本記Rj;

    (4) 找到與樣本Ri標(biāo)簽集合LR;

    (5) for each Class(Ri)?LR

    (6) 找Ri同類的k個最近鄰Hj(Class(Ri));

    (7) for eachC?CLLR

    (8) 找Ri不同類的k個最近鄰Mj(C);

    (9) fora=1∶p

    (11) end

    (12) end

    (13) end

    (14) end

    Class(Ri)是LR的一個非空子集,有(2|LR|-1)種情況。與算法1不同的是這里C和Class(Ri)表示一個非空集合,它們含有的元素個數(shù)可以是一個,也可以是多個,其他符號說明同算法1。如果樣本Ri和同類樣本關(guān)于特征a的距離不相同,則特征a就把兩個同類的樣本區(qū)分開了,故要減去d(a,Ri,Hj)。相反,如果樣本Ri和不同類樣本關(guān)于特征a的距離不相同,則特征a就把兩個不同類的樣本區(qū)分開了,正是我們想要的,故要加上d(a,Ri,Mj),特征權(quán)重公式中求的是均值化差異。原來的權(quán)重公式中沒有考慮標(biāo)簽對權(quán)重的貢獻(xiàn)值,加入標(biāo)簽貢獻(xiàn)值參數(shù)μi,考慮樣本Ri的標(biāo)簽占標(biāo)簽空間的比重,對多標(biāo)簽數(shù)據(jù)給予重視,實驗證明算法的有效性。

    2 二層特征約簡

    特征選擇的目的就是在保證分類效果的前提下,獲得一個較少元素的最優(yōu)特征子集。我們通過Mult-ReliefF算法獲得一個特征的權(quán)重向量,特征的權(quán)值越大表示該特征區(qū)分樣本的能力越強。從后面實驗部分可以看出在算法2中,按照比例選擇靠前的特征,分類的效果會隨著選取特征比例的變化而變化,并且在多個數(shù)據(jù)集上的實驗表明選取前80%能較好地提高分類精度。此時獲得的特征個數(shù)只是相比原來有所減少,但對于特征基數(shù)大的,選取的特征子集的個數(shù)仍然較大。比如說一個樣本有1 000個特征,按照比例選取前80%依然留有800個特征,這時特征維度還是較大的。特征排序只能遠(yuǎn)離區(qū)分樣本能力弱的特征,無法去除冗余的特征,這里冗余特征是指該特征所包含的分類信息已經(jīng)包含于其他特征中了。根據(jù)這一不足,又提出一種二層約簡M-A算法。

    粗糙集理論[13]可以通過刪除冗余屬性來實現(xiàn)約簡,為了更好地去除冗余特征,利用鄰域區(qū)分樣本的能力[7],對算法2選取的特征子集,進一步約簡去冗余。

    在一個多標(biāo)簽鄰域決策系統(tǒng)中,樣本集合U={x1,x2,…,xn},描述樣本的屬性集A={a1,a2,…,aN},標(biāo)簽集L={l1,l2,…,lm}。Xj?U表示具有類別標(biāo)簽lj的樣本集合,B?A表示約簡后的屬性集合,B生成U上的鄰域關(guān)系為NB。

    定義1x∈U的δ鄰域為:

    (3)

    〈U,Δ〉是非度量空間。

    定義2 集合L關(guān)于鄰域關(guān)系NB的下近似為:

    (4)

    定義3 多標(biāo)簽分類的依賴度定義為:

    (5)

    定義4 條件屬性a∈A-B在屬性集B的基礎(chǔ)上相對于決策屬性L的重要度為:

    sigγ(a,B,L)=γB∪{a}(L)-γB(L)

    (6)

    多標(biāo)簽鄰域特征選擇算法(ARMLNRS),基于屬性的重要性來約簡屬性。該算法的主要思想是使用向前貪心算法依次選擇具有最大重要度的特征,當(dāng)sigγ(a,B,L)=0時說明特征a是多余的。

    算法3 M-A

    輸入: 樣本的特征矩陣X,樣本的標(biāo)簽矩陣L和鄰域參數(shù)δ

    輸出: 約簡特征集feature_reduct

    (1) 根據(jù)算法1得到特征權(quán)重向量W

    (2) 選取排名前80%的特征,構(gòu)造新的特征矩陣A

    (3) 初始化feature_reduct=?

    (4) fori=1∶p

    (5) 不在約簡屬性集的屬性ai

    (6) 根據(jù)式(6)計算sigγ(ai,feature_reduct,L)

    (7) ifsig>0

    (8) 將ai加入到集合feature_reduct

    (9) end if

    (10) end for

    (11) return feature_reduct

    二層約簡算法M-A在算法2的基礎(chǔ)下,再根據(jù)屬性重要度能有效去除冗余的特征,進行二層特征篩選,實驗表明能有效減少特征個數(shù),并且分類效果相比原來的ARMLNRS有所提高。

    3 實驗分析

    3.1 數(shù)據(jù)集

    本文從Mulanlibrary下載3個多標(biāo)簽分類任務(wù),如表1所示。其中,Emotions是一個關(guān)于音樂情感分類的數(shù)據(jù)集,它有593首歌,6種音樂情感,每首歌用72個特征來描述; Yeast是一個關(guān)于酵母菌基因功能分類的數(shù)據(jù)集,它包含2 417個樣本,103個特征,14個標(biāo)簽;Scene是一個語義場景的靜態(tài)索引數(shù)據(jù)集,它有2 407個實例,294個特征,6個標(biāo)簽。

    表1 數(shù)據(jù)集描述

    3.2 實驗設(shè)置

    所有實驗評估使用多標(biāo)簽分類模型中的算法ML-KNN[14](設(shè)定平滑參數(shù)smooth=1,鄰居個數(shù)num=10),實驗全部運行在3.30 GHz處理器、8.00 GB的內(nèi)存空間中。

    3.3 評價指標(biāo)

    本文根據(jù)下列5個指標(biāo)[15]來評價分類效果:

    (1) Hamming Loss(HL):評估預(yù)測結(jié)果與實際結(jié)果的平均差值;

    (2) Ranking Loss(RL):估計有多少與樣本不相關(guān)的標(biāo)簽的排序高于相關(guān)標(biāo)簽的排序;

    (3) One-Error(OE):反應(yīng)序列最前端的標(biāo)記不屬于標(biāo)記集合的情況;

    (4) Coverage(CV):樣本標(biāo)簽排序的序列中,覆蓋屬于樣本的所有標(biāo)簽所需搜索時間;

    (5) Average Precision(AP):在樣本預(yù)測排序中,排在該樣本標(biāo)簽前的標(biāo)簽仍屬于樣本標(biāo)簽集的情況。

    指標(biāo)(1)-指標(biāo)(4)越小越好,指標(biāo)(5)越大越好。

    3.4 實驗結(jié)果

    實驗中,首先通過特征選擇算法獲得特征子集,然后對新的特征子集采用ML-KNN分類器進行多標(biāo)簽分類。根據(jù)文獻(xiàn)[7]的最佳測試結(jié)果,比較在不同比例下Mult-ReliefF特征選擇方法和ARMLNRS算法的平均分類精度。

    由圖1可以看出,對于數(shù)據(jù)樣本集Yeast和Scene而言,利用Mult-ReliefF算法在80%選擇后的特征子集分類效果達(dá)到最好,并且選擇50%及以上的特征數(shù)目,分類效果明顯高于ARMLNRS算法。而對于數(shù)據(jù)樣本Emotions而言,只有在80%左右的效果比ARMLNRS算法略優(yōu)。由表1可知,Yeast和Scene的標(biāo)簽數(shù)和描述樣本的屬性數(shù)比Emotions的要大,可見Mult-ReliefF特征選擇算法更適合標(biāo)簽數(shù)和屬性數(shù)較大的樣本集。說明特征選擇的效果和描述樣本屬性的個數(shù)和標(biāo)記樣本的標(biāo)簽數(shù)有關(guān),進行數(shù)據(jù)分類時應(yīng)針對數(shù)據(jù)集的特點選擇合適的特征選擇算法。

    圖1 三個數(shù)據(jù)集下分類精度比較

    實驗表明在選擇樣本80%左右的特征,才能獲得最好的分類結(jié)果,若是樣本屬性個數(shù)基數(shù)大,特征排序后選擇前80%后的特征數(shù)目依然不低,這樣的情況下選擇的是與樣本關(guān)系緊密的屬性,不能去除冗余。考慮到ARMLNRS算法能去除冗余特征,結(jié)合該算法做二層特征約簡能在保證分類效果的前提下,盡可能獲得較少的特征子集,更好地達(dá)到特征約簡的目的。

    實驗結(jié)果如表2-表4所示。在每個數(shù)據(jù)集上比較三種特征選擇方式的效果,其中,F(xiàn)N表示約簡后的特征個數(shù)。

    表2 Emotions下分類效果與特征子集個數(shù)對比

    表3 Yeast下分類效果與特征子集個數(shù)對比

    表4 Scene下分類效果與特征子集個數(shù)對比

    從實驗結(jié)果可以看出,在Emotions數(shù)據(jù)集上,M-A較Mult-ReliefF和ARMLNRS算法均有提高,而且選擇的特征數(shù)目最少。在Yeast和Scene數(shù)據(jù)集下依然得到了最小的特征子集,但是分類效果不如Mult-ReliefF,卻比ARMLNRS算法略優(yōu)。結(jié)合兩次實驗,可以看出二層約簡M-A算法更側(cè)重表現(xiàn)ARMLNRS算法的優(yōu)勢,能夠獲得較小的特征子集,分類效果也優(yōu)于ARMLNRS算法。這是由于先進行了降噪處理,然后再進行鄰域下的去冗余操作,更好地發(fā)揮了ARMLNRS算法的優(yōu)點,有效降低特征數(shù)目。然而,M-A算法造成了過度約簡,所以效果不如Mult-ReliefF算法。Mult-ReliefF算法能有效提高分類精度,并且在數(shù)據(jù)量大的樣本中表現(xiàn)的更為明顯。總的來說,Mult-ReliefF算法在五個評價指標(biāo)中都表現(xiàn)出優(yōu)勢,M-A算法能獲得較小的特征子集,因此要根據(jù)需求選擇合適的特征選擇方法,這樣更有利于提高分類的效果。

    4 結(jié) 語

    本文擴展了ReliefF算法,提出一種適合多標(biāo)簽數(shù)據(jù)的特征選擇算法——Mult-ReliefF算法。該算法解決如何查找多標(biāo)簽樣本最近鄰的問題,改進了權(quán)值的更新公式,實現(xiàn)了數(shù)據(jù)降維的功能,實驗表明該算法是有效且可行的。又由于Mult-ReliefF算法不能去除特征間的冗余性,設(shè)計了二層約簡M-A算法,進一步去除冗余。實驗表明M-A算法能在分類效果相差不大的情況下,獲得更小的特征子集。但是M-A算法會造成過度約簡,影響分類效果,接下來將研究如何避免二層約簡造成的過度去噪。

    [1] Zhang M L, Zhou Z H. A Review On Multi-Label Learning Algorithms[J]. IEEE Transactionson Knowledge &Data Engineering, 2014, 26(8):1819-1837.

    [2] Qi G J, Hua X S, Rui Y, et al. Correlative multi-label video annotation[C]// ACM International Conference on Multimedia. ACM, 2007:17-26.

    [3] Barutcuoglu Z, Schapire R E, Troyanskaya O G. Hierarchical multi-label prediction of gene function[J]. Bioinformatics, 2006, 22(7):830-836.

    [4] Yang B, Sun J T, Wang T, et al. Effective multi-label active learning for text classification[C]// ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Paris, France, June 28-July. 2009:917-926.

    [5] Gopal S, Yang Y. Multilabel classification with meta-level features.[J]. Machine Learning, 2010, 88(1-2):315-322.

    [6] Ozonat K, Young D. Towards a universal marketplace over the web: statistical multi-label classification of service provider forms with simulated annealing[C]// ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2009:1295-1304.

    [7] 段潔, 胡清華, 張靈均,等. 基于鄰域粗糙集的多標(biāo)記分類特征選擇算法[J]. 計算機研究與發(fā)展, 2015, 52(1):56-65.

    [8] Zhang M L, Pena J M, Robles V. Feature selection for multi-label native Bayes classification[J]. Information Science,2009,179(19):3218-3229.

    [9] Zhang Y, Zhou Z H. Multi-Label Dimensionality Reduction via Dependence Maximization[C]// AAAI Conference on Artificial Intelligence, AAAI 2008, Chicago, Illinois, Usa, July. DBLP, 2008:1503-1505.

    [10] 張振海,李士寧,李志剛,等.一類基于信息熵的多標(biāo)簽特征選擇算法[J]. 計算機研究與發(fā)展, 2013, 50(6):1177-1184.

    [11] Cai Y P, Yang M, Gao Y, et al. ReliefF-based Multi-label Feature Selection[J]. International Journal of Database Theory & Application,2015(8):307-318.

    [12] Spolaor N, Cherman E A, Monard M C, et al. ReliefF for Multi-label Feature Selection[C]// Brazilian Conference on Intelligent Systems. 2013:6-11.

    [13] 于洪, 王國胤, 姚一豫. 決策粗糙集理論研究現(xiàn)狀與展望[J]. 計算機學(xué)報, 2015(8):1628-1639.

    [14] Zhang M L, Zhou Z H. ML-KNN: A lazy learning approach to multi-label learning[J]. Pattern Recognition, 2007, 40(7):2038-2048.

    [15] Schapire R E, Singer Y. BoosTexter: A Boosting-based Systemfor Text Categorization[J]. Machine Learning, 2000,39(2-3):135-168.

    TWO FEATURE SELECTION ALGORITHMS FOR MULTI-LABEL CLASSIFICATION BY EXTENDING RELIEFF

    Ma Jingying Xuan Hengnong

    (SchoolofInformationEngineering,NanjingUniversityofFinanceandEconomics,Nanjing210000,Jiangsu,China)

    The ReliefF feature selection algorithm is limited to single-label data. Concerning this problem, two multi-label feature selection algorithms termed Mult-ReliefF and M-A are proposed. The Mult-ReliefF algorithm redefined the relationship of the nearest neighbors and updating formula of feature weights and added the label contribution to update the feature weight formula. Based on the Mult-ReliefF algorithm, combining with neighborhood rough set to achieve better effect of the feature dimension reduction, secondary reduction algorithm M-A is proposed by also adopting the ML-KNN sorting algorithm. Experimental results on data sets show that Mult-ReliefF algorithm can improve classification effect and M-A can obtain smaller feature subset.

    Multi-label classification Feature selection Attribute reduction ReliefF Neighborhood rough sets

    2016-09-18。馬晶瑩,碩士生,主研領(lǐng)域:數(shù)據(jù)挖掘,多標(biāo)簽分類。宣恒農(nóng),教授。

    TP181

    A

    10.3969/j.issn.1000-386x.2017.07.055

    猜你喜歡
    約簡特征選擇子集
    由一道有關(guān)集合的子集個數(shù)題引發(fā)的思考
    拓?fù)淇臻g中緊致子集的性質(zhì)研究
    關(guān)于奇數(shù)階二元子集的分離序列
    基于二進制鏈表的粗糙集屬性約簡
    實值多變量維數(shù)約簡:綜述
    基于模糊貼近度的屬性約簡
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    聯(lián)合互信息水下目標(biāo)特征選擇算法
    每一次愛情都只是愛情的子集
    都市麗人(2015年4期)2015-03-20 13:33:22
    基于特征選擇和RRVPMCD的滾動軸承故障診斷方法
    亚洲国产欧美网| 久久欧美精品欧美久久欧美| 纯流量卡能插随身wifi吗| 97碰自拍视频| 国产精品久久久av美女十八| 两个人视频免费观看高清| 久久狼人影院| 亚洲激情在线av| 国产一区二区激情短视频| 国产精品精品国产色婷婷| 亚洲精华国产精华精| 国产又色又爽无遮挡免费看| 亚洲国产毛片av蜜桃av| 99re在线观看精品视频| 18禁观看日本| 不卡一级毛片| 欧美日韩瑟瑟在线播放| 亚洲五月色婷婷综合| 国产午夜福利久久久久久| 亚洲国产高清在线一区二区三 | av电影中文网址| 少妇 在线观看| 一边摸一边做爽爽视频免费| 纯流量卡能插随身wifi吗| 巨乳人妻的诱惑在线观看| 91麻豆精品激情在线观看国产| 亚洲精品美女久久av网站| 女性生殖器流出的白浆| 精品免费久久久久久久清纯| 青草久久国产| 日本vs欧美在线观看视频| 日韩欧美在线二视频| 麻豆一二三区av精品| 成人国产综合亚洲| 999精品在线视频| 成人三级黄色视频| 日韩欧美三级三区| 叶爱在线成人免费视频播放| 视频在线观看一区二区三区| 可以在线观看的亚洲视频| 成熟少妇高潮喷水视频| 夜夜躁狠狠躁天天躁| 少妇熟女aⅴ在线视频| 精品不卡国产一区二区三区| 色在线成人网| 国产欧美日韩一区二区三| 午夜福利免费观看在线| 一级,二级,三级黄色视频| 老司机午夜十八禁免费视频| 国产片内射在线| 看黄色毛片网站| 亚洲精品一卡2卡三卡4卡5卡| 妹子高潮喷水视频| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲,欧美精品.| 香蕉丝袜av| 国产精华一区二区三区| 国产精品亚洲av一区麻豆| 久久人妻av系列| 国产免费男女视频| 亚洲精品在线美女| 亚洲第一av免费看| 国产一区二区三区综合在线观看| 男女下面插进去视频免费观看| 欧美色视频一区免费| 国产亚洲欧美精品永久| 可以在线观看毛片的网站| 女性被躁到高潮视频| 少妇粗大呻吟视频| 在线观看免费视频网站a站| 欧美日本中文国产一区发布| 亚洲一码二码三码区别大吗| 热99re8久久精品国产| svipshipincom国产片| 在线观看舔阴道视频| 精品国产亚洲在线| 一级a爱片免费观看的视频| 国产欧美日韩精品亚洲av| 男女下面插进去视频免费观看| 免费在线观看黄色视频的| 法律面前人人平等表现在哪些方面| 久久久久久国产a免费观看| 亚洲欧美一区二区三区黑人| 国产精品美女特级片免费视频播放器 | 日韩成人在线观看一区二区三区| 91字幕亚洲| 午夜a级毛片| 亚洲狠狠婷婷综合久久图片| 这个男人来自地球电影免费观看| 在线av久久热| 久久青草综合色| 成年版毛片免费区| 亚洲精品在线观看二区| 欧美老熟妇乱子伦牲交| 免费女性裸体啪啪无遮挡网站| 别揉我奶头~嗯~啊~动态视频| 国产av一区在线观看免费| 老司机深夜福利视频在线观看| 久久久久久人人人人人| av视频免费观看在线观看| 免费看美女性在线毛片视频| 久久香蕉激情| 久久人妻av系列| 亚洲一区中文字幕在线| 日韩精品青青久久久久久| 国产一卡二卡三卡精品| 一夜夜www| 免费在线观看亚洲国产| 日韩大尺度精品在线看网址 | 51午夜福利影视在线观看| 国产精品美女特级片免费视频播放器 | 夜夜躁狠狠躁天天躁| 成年版毛片免费区| 女人高潮潮喷娇喘18禁视频| 亚洲男人天堂网一区| av视频在线观看入口| 久久这里只有精品19| 亚洲在线自拍视频| 欧美不卡视频在线免费观看 | 中国美女看黄片| 国产精品秋霞免费鲁丝片| 黑人欧美特级aaaaaa片| 欧美 亚洲 国产 日韩一| 国产精品综合久久久久久久免费 | 91国产中文字幕| 国产亚洲欧美精品永久| 韩国av一区二区三区四区| 色哟哟哟哟哟哟| 国产欧美日韩一区二区三| а√天堂www在线а√下载| 国产成人av教育| 亚洲情色 制服丝袜| 亚洲一区中文字幕在线| 涩涩av久久男人的天堂| АⅤ资源中文在线天堂| 日韩大码丰满熟妇| 婷婷丁香在线五月| 韩国av一区二区三区四区| 成人av一区二区三区在线看| 亚洲激情在线av| 电影成人av| 欧美丝袜亚洲另类 | 亚洲专区字幕在线| 久久久久久人人人人人| 久久中文看片网| 啪啪无遮挡十八禁网站| 最新在线观看一区二区三区| 日日爽夜夜爽网站| 一区二区三区激情视频| 亚洲精品久久成人aⅴ小说| 中文字幕另类日韩欧美亚洲嫩草| 午夜老司机福利片| 啦啦啦观看免费观看视频高清 | 午夜免费激情av| 99久久综合精品五月天人人| 韩国av一区二区三区四区| 97碰自拍视频| 国产三级黄色录像| 给我免费播放毛片高清在线观看| 美女扒开内裤让男人捅视频| 91九色精品人成在线观看| 伊人久久大香线蕉亚洲五| 深夜精品福利| 久久精品91无色码中文字幕| 亚洲avbb在线观看| 一本大道久久a久久精品| 97碰自拍视频| 国产三级黄色录像| 久久久国产成人免费| 国产精品一区二区免费欧美| 久久国产精品影院| avwww免费| 69av精品久久久久久| 亚洲成国产人片在线观看| 香蕉久久夜色| 伊人久久大香线蕉亚洲五| 亚洲精品国产精品久久久不卡| 久久九九热精品免费| 国产精品一区二区在线不卡| 777久久人妻少妇嫩草av网站| 日韩精品免费视频一区二区三区| 亚洲欧美一区二区三区黑人| 中文字幕色久视频| 欧美绝顶高潮抽搐喷水| 国产男靠女视频免费网站| 久久精品人人爽人人爽视色| 国产极品粉嫩免费观看在线| 欧美最黄视频在线播放免费| 国产成人欧美| 91精品三级在线观看| 久久午夜亚洲精品久久| 黄片播放在线免费| 国产一级毛片七仙女欲春2 | 国产一区二区三区综合在线观看| 精品欧美国产一区二区三| 9色porny在线观看| 黄网站色视频无遮挡免费观看| 黄色女人牲交| 亚洲国产欧美一区二区综合| 亚洲男人的天堂狠狠| 亚洲午夜精品一区,二区,三区| 国产在线观看jvid| 欧美成人性av电影在线观看| 91麻豆av在线| 欧美精品啪啪一区二区三区| 国产在线观看jvid| 69av精品久久久久久| 欧美中文综合在线视频| 亚洲av五月六月丁香网| av欧美777| 久久久久久久久久久久大奶| 国产成人啪精品午夜网站| 国产精品98久久久久久宅男小说| 日本 av在线| 国产精品 国内视频| 欧洲精品卡2卡3卡4卡5卡区| 欧美日韩精品网址| 男女做爰动态图高潮gif福利片 | 久久午夜综合久久蜜桃| 亚洲 欧美 日韩 在线 免费| 亚洲,欧美精品.| 男人操女人黄网站| 欧美最黄视频在线播放免费| ponron亚洲| 女性生殖器流出的白浆| 精品无人区乱码1区二区| 国产熟女xx| 亚洲成人精品中文字幕电影| 大型av网站在线播放| 国产精品久久电影中文字幕| 精品福利观看| 一进一出好大好爽视频| 久久久久九九精品影院| 久久人人爽av亚洲精品天堂| 国产高清视频在线播放一区| 国产精品九九99| 人人妻人人澡人人看| 色播在线永久视频| 免费看a级黄色片| 国产伦人伦偷精品视频| 老司机午夜福利在线观看视频| 日本在线视频免费播放| 97人妻天天添夜夜摸| 他把我摸到了高潮在线观看| 亚洲精品久久国产高清桃花| 国产高清videossex| 亚洲五月色婷婷综合| 精品乱码久久久久久99久播| tocl精华| 国产精品野战在线观看| 女人高潮潮喷娇喘18禁视频| 免费观看人在逋| 亚洲av电影不卡..在线观看| 亚洲五月色婷婷综合| 十八禁网站免费在线| 操出白浆在线播放| 久久精品国产综合久久久| 男女午夜视频在线观看| 18禁美女被吸乳视频| 亚洲国产精品久久男人天堂| 激情视频va一区二区三区| 19禁男女啪啪无遮挡网站| 很黄的视频免费| 不卡av一区二区三区| 久久亚洲精品不卡| 国产av又大| 亚洲午夜理论影院| 日本欧美视频一区| av网站免费在线观看视频| 久久人妻av系列| 天天躁夜夜躁狠狠躁躁| 中文字幕另类日韩欧美亚洲嫩草| 欧洲精品卡2卡3卡4卡5卡区| 999久久久精品免费观看国产| 国产亚洲欧美在线一区二区| 操美女的视频在线观看| 在线十欧美十亚洲十日本专区| 国产不卡一卡二| 国产成人影院久久av| 午夜免费鲁丝| 乱人伦中国视频| 69av精品久久久久久| 9色porny在线观看| 成人国产一区最新在线观看| 日本a在线网址| 日本三级黄在线观看| 日本黄色视频三级网站网址| 黄色视频不卡| 久久久精品国产亚洲av高清涩受| 又黄又粗又硬又大视频| av视频免费观看在线观看| 69精品国产乱码久久久| 国产熟女xx| 国产蜜桃级精品一区二区三区| 制服诱惑二区| 99久久99久久久精品蜜桃| 在线观看免费视频网站a站| 欧美成狂野欧美在线观看| 91九色精品人成在线观看| 欧美黑人精品巨大| 久久香蕉激情| 超碰成人久久| 岛国视频午夜一区免费看| 日本撒尿小便嘘嘘汇集6| 手机成人av网站| 人人妻人人爽人人添夜夜欢视频| 亚洲人成伊人成综合网2020| 免费无遮挡裸体视频| 变态另类丝袜制服| 自拍欧美九色日韩亚洲蝌蚪91| 国产精品亚洲一级av第二区| 美女高潮到喷水免费观看| www国产在线视频色| 日本黄色视频三级网站网址| 国产精品爽爽va在线观看网站 | 三级毛片av免费| 97人妻天天添夜夜摸| 欧美日本中文国产一区发布| 亚洲一区高清亚洲精品| 亚洲五月色婷婷综合| 久久久久久大精品| 亚洲男人的天堂狠狠| 欧美一区二区精品小视频在线| 日本a在线网址| 怎么达到女性高潮| 欧美日本亚洲视频在线播放| 十八禁人妻一区二区| 午夜日韩欧美国产| 久热这里只有精品99| 麻豆国产av国片精品| 色婷婷久久久亚洲欧美| 亚洲精品美女久久久久99蜜臀| 少妇的丰满在线观看| 久久精品91蜜桃| 大陆偷拍与自拍| av天堂久久9| 女人高潮潮喷娇喘18禁视频| 午夜福利在线观看吧| 午夜日韩欧美国产| 久久婷婷人人爽人人干人人爱 | 免费看a级黄色片| 亚洲人成电影观看| 一区二区三区国产精品乱码| avwww免费| 国产麻豆成人av免费视频| 亚洲色图av天堂| 国产三级黄色录像| 欧美国产日韩亚洲一区| 黑人巨大精品欧美一区二区蜜桃| 18美女黄网站色大片免费观看| 91精品国产国语对白视频| 国产又色又爽无遮挡免费看| 99香蕉大伊视频| www日本在线高清视频| 亚洲熟妇熟女久久| 欧美成人免费av一区二区三区| 悠悠久久av| av视频在线观看入口| 日日夜夜操网爽| 国产蜜桃级精品一区二区三区| 亚洲人成伊人成综合网2020| 久久香蕉精品热| 天天添夜夜摸| 9色porny在线观看| 美女午夜性视频免费| 欧美日韩福利视频一区二区| 美女国产高潮福利片在线看| 亚洲中文av在线| 多毛熟女@视频| 亚洲伊人色综图| 嫁个100分男人电影在线观看| 精品久久久精品久久久| 欧美黑人欧美精品刺激| 自拍欧美九色日韩亚洲蝌蚪91| 纯流量卡能插随身wifi吗| 亚洲五月天丁香| 亚洲av片天天在线观看| 久久天堂一区二区三区四区| 性欧美人与动物交配| 欧美亚洲日本最大视频资源| 久久久久久久精品吃奶| 国产激情欧美一区二区| 在线观看免费视频网站a站| 老司机午夜十八禁免费视频| 一边摸一边做爽爽视频免费| 国内毛片毛片毛片毛片毛片| 精品一区二区三区av网在线观看| 国产一区在线观看成人免费| 国产欧美日韩综合在线一区二区| 精品不卡国产一区二区三区| 男女之事视频高清在线观看| 午夜影院日韩av| 午夜精品在线福利| 日韩精品中文字幕看吧| 久久久久久久午夜电影| 国产精品一区二区免费欧美| avwww免费| 性少妇av在线| 不卡一级毛片| 国产精品久久视频播放| 国产亚洲精品一区二区www| 免费高清视频大片| 色尼玛亚洲综合影院| 国产在线观看jvid| 极品人妻少妇av视频| 老司机靠b影院| 久久久久久久久久久久大奶| 亚洲一区二区三区不卡视频| 国产一区二区在线av高清观看| av天堂久久9| 午夜a级毛片| 国产单亲对白刺激| 自线自在国产av| 香蕉国产在线看| 在线观看66精品国产| 欧美成人性av电影在线观看| netflix在线观看网站| 欧美黑人欧美精品刺激| 多毛熟女@视频| 97人妻精品一区二区三区麻豆 | 又大又爽又粗| 日韩精品中文字幕看吧| 香蕉丝袜av| 窝窝影院91人妻| 欧美黑人精品巨大| 中出人妻视频一区二区| 精品人妻1区二区| 别揉我奶头~嗯~啊~动态视频| 亚洲三区欧美一区| 久久久久久久精品吃奶| 亚洲自偷自拍图片 自拍| 久久久精品欧美日韩精品| 久久 成人 亚洲| 岛国视频午夜一区免费看| 久久久久精品国产欧美久久久| 欧美在线黄色| 99久久精品国产亚洲精品| 一进一出抽搐gif免费好疼| 久久久久九九精品影院| 国产精品99久久99久久久不卡| 亚洲av第一区精品v没综合| 91九色精品人成在线观看| 琪琪午夜伦伦电影理论片6080| 午夜免费鲁丝| 99热只有精品国产| 国内久久婷婷六月综合欲色啪| 亚洲第一av免费看| 久久久国产成人精品二区| 乱人伦中国视频| 一进一出抽搐动态| 亚洲成人久久性| 国产欧美日韩一区二区精品| 欧美成人午夜精品| 啪啪无遮挡十八禁网站| 国产精品乱码一区二三区的特点 | 两性午夜刺激爽爽歪歪视频在线观看 | 日日夜夜操网爽| 免费高清视频大片| 人人澡人人妻人| 岛国视频午夜一区免费看| av天堂久久9| 久久精品国产清高在天天线| 欧美另类亚洲清纯唯美| 国产又色又爽无遮挡免费看| 老司机午夜福利在线观看视频| 国产野战对白在线观看| 国产精品秋霞免费鲁丝片| 午夜福利高清视频| 欧美日韩一级在线毛片| xxx96com| 成人三级黄色视频| 国产区一区二久久| 亚洲伊人色综图| 久99久视频精品免费| 身体一侧抽搐| 欧美色视频一区免费| 老汉色∧v一级毛片| 波多野结衣一区麻豆| 精品国产亚洲在线| 国产成人影院久久av| 成年版毛片免费区| 久久亚洲真实| 色老头精品视频在线观看| 国产成人精品久久二区二区91| 中文字幕精品免费在线观看视频| 久久中文字幕一级| 欧美乱码精品一区二区三区| 国产精品自产拍在线观看55亚洲| 精品高清国产在线一区| 亚洲熟妇熟女久久| 窝窝影院91人妻| 美女高潮到喷水免费观看| 国产成人免费无遮挡视频| 国产午夜精品久久久久久| 免费在线观看日本一区| 变态另类丝袜制服| 91精品国产国语对白视频| videosex国产| 丝袜美足系列| 90打野战视频偷拍视频| netflix在线观看网站| 久久中文字幕一级| 欧美绝顶高潮抽搐喷水| 国内毛片毛片毛片毛片毛片| 一本大道久久a久久精品| 亚洲欧美一区二区三区黑人| 久久久久国产精品人妻aⅴ院| 69av精品久久久久久| 九色亚洲精品在线播放| 色精品久久人妻99蜜桃| 亚洲精品一卡2卡三卡4卡5卡| 在线观看午夜福利视频| 一区二区三区激情视频| 国产色视频综合| 夜夜看夜夜爽夜夜摸| 午夜福利视频1000在线观看 | 精品熟女少妇八av免费久了| 亚洲全国av大片| 久久久精品国产亚洲av高清涩受| 亚洲少妇的诱惑av| 久久草成人影院| 97人妻精品一区二区三区麻豆 | 亚洲人成伊人成综合网2020| 国产亚洲精品第一综合不卡| 久久草成人影院| 精品一品国产午夜福利视频| 正在播放国产对白刺激| 88av欧美| 国产激情欧美一区二区| 亚洲av电影在线进入| 中文字幕精品免费在线观看视频| 高清黄色对白视频在线免费看| 国产精品98久久久久久宅男小说| 高清毛片免费观看视频网站| 不卡一级毛片| 午夜老司机福利片| 亚洲欧美日韩无卡精品| 精品欧美一区二区三区在线| 一区二区日韩欧美中文字幕| 九色国产91popny在线| 99在线人妻在线中文字幕| 丝袜美足系列| 成在线人永久免费视频| 少妇熟女aⅴ在线视频| 最近最新免费中文字幕在线| 激情视频va一区二区三区| 99在线视频只有这里精品首页| 此物有八面人人有两片| 国产亚洲欧美98| 国产xxxxx性猛交| svipshipincom国产片| 99精品欧美一区二区三区四区| 久久国产亚洲av麻豆专区| 日韩视频一区二区在线观看| 亚洲最大成人中文| www.www免费av| 女人被躁到高潮嗷嗷叫费观| 国产成人一区二区三区免费视频网站| 亚洲成人精品中文字幕电影| 欧洲精品卡2卡3卡4卡5卡区| 午夜福利,免费看| 久久 成人 亚洲| 一夜夜www| 在线观看免费视频日本深夜| 中文字幕人妻熟女乱码| 色在线成人网| 一区二区日韩欧美中文字幕| 两个人看的免费小视频| av有码第一页| 一本综合久久免费| 母亲3免费完整高清在线观看| 在线观看免费视频日本深夜| 欧美人与性动交α欧美精品济南到| 97碰自拍视频| 人妻久久中文字幕网| 免费在线观看完整版高清| 黄色毛片三级朝国网站| 国产精品精品国产色婷婷| 成人国产综合亚洲| 午夜福利视频1000在线观看 | 精品国产一区二区久久| 日韩成人在线观看一区二区三区| 国产精品永久免费网站| 91精品三级在线观看| 精品卡一卡二卡四卡免费| 亚洲黑人精品在线| 亚洲中文字幕一区二区三区有码在线看 | 国产精品亚洲av一区麻豆| 男女做爰动态图高潮gif福利片 | av中文乱码字幕在线| 色综合欧美亚洲国产小说| 精品乱码久久久久久99久播| 久久久久久久久中文| 日本a在线网址| 亚洲电影在线观看av| 女警被强在线播放| 美女午夜性视频免费| 久久久久久久久免费视频了| 视频区欧美日本亚洲| 亚洲一区中文字幕在线| 久久午夜亚洲精品久久| 91成人精品电影| 日本在线视频免费播放| 女生性感内裤真人,穿戴方法视频| 两性午夜刺激爽爽歪歪视频在线观看 | 老熟妇乱子伦视频在线观看| 久久九九热精品免费| 免费看a级黄色片| 丰满人妻熟妇乱又伦精品不卡| 女生性感内裤真人,穿戴方法视频| 天天一区二区日本电影三级 | 老司机靠b影院| 久久久久国产一级毛片高清牌| 午夜免费观看网址| 91精品国产国语对白视频|