• <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
    久久久久精品国产欧美久久久| 美女 人体艺术 gogo| 国产精品无大码| 成人亚洲欧美一区二区av| 欧美最黄视频在线播放免费| 高清毛片免费看| 久久精品国产鲁丝片午夜精品| 亚洲成av人片在线播放无| 熟女电影av网| 婷婷六月久久综合丁香| 亚洲欧美日韩卡通动漫| 国产69精品久久久久777片| 国产激情偷乱视频一区二区| 22中文网久久字幕| 中文字幕熟女人妻在线| 久久午夜亚洲精品久久| 日日摸夜夜添夜夜添小说| 国内精品美女久久久久久| 久久久成人免费电影| 99国产精品一区二区蜜桃av| 极品教师在线视频| 久久久久久久久久久丰满| 特大巨黑吊av在线直播| 人妻少妇偷人精品九色| 天天躁日日操中文字幕| 性插视频无遮挡在线免费观看| 亚洲av一区综合| 岛国在线免费视频观看| 成年女人毛片免费观看观看9| 国产精品人妻久久久久久| 亚洲成人久久性| 十八禁网站免费在线| 亚洲va在线va天堂va国产| 男人狂女人下面高潮的视频| 亚洲欧美日韩东京热| 最好的美女福利视频网| 精品免费久久久久久久清纯| 欧美成人免费av一区二区三区| 日韩国内少妇激情av| 亚洲真实伦在线观看| 久久久久久久午夜电影| 国产亚洲欧美98| 91在线观看av| 国产精品福利在线免费观看| 久久6这里有精品| 女人被狂操c到高潮| 久久久久免费精品人妻一区二区| 人人妻人人澡欧美一区二区| 乱人视频在线观看| 国产单亲对白刺激| 欧美激情国产日韩精品一区| 色噜噜av男人的天堂激情| 嫩草影院新地址| 老司机午夜福利在线观看视频| 成人精品一区二区免费| 午夜精品一区二区三区免费看| 成人欧美大片| 色综合色国产| 99热这里只有精品一区| 久久精品国产99精品国产亚洲性色| 免费看av在线观看网站| 亚洲欧美精品综合久久99| 最近最新中文字幕大全电影3| 看片在线看免费视频| 尾随美女入室| 免费观看精品视频网站| 国产精品一区二区三区四区免费观看 | 欧美丝袜亚洲另类| 久久精品国产亚洲av香蕉五月| av天堂在线播放| 亚洲乱码一区二区免费版| 久久人人精品亚洲av| 国产成人91sexporn| 国产精品久久视频播放| 久久人妻av系列| 亚洲中文字幕日韩| 国产精品一区二区三区四区久久| 日韩 亚洲 欧美在线| 美女被艹到高潮喷水动态| 天天躁夜夜躁狠狠久久av| 久久久久久久午夜电影| 精品日产1卡2卡| 黄色一级大片看看| 国产精品三级大全| 久久久国产成人免费| av专区在线播放| 国内少妇人妻偷人精品xxx网站| 精品久久国产蜜桃| 女的被弄到高潮叫床怎么办| 欧美区成人在线视频| 亚洲精品日韩av片在线观看| 日韩欧美精品v在线| 久久精品夜色国产| 一级a爱片免费观看的视频| 欧美又色又爽又黄视频| 亚洲美女黄片视频| 久久久精品94久久精品| 久久国内精品自在自线图片| 亚洲美女搞黄在线观看 | 男女啪啪激烈高潮av片| 日韩精品青青久久久久久| 高清午夜精品一区二区三区 | 此物有八面人人有两片| 国产午夜精品久久久久久一区二区三区 | 午夜福利高清视频| 2021天堂中文幕一二区在线观| 九九久久精品国产亚洲av麻豆| 3wmmmm亚洲av在线观看| 久久精品国产亚洲av香蕉五月| 午夜福利在线在线| 深夜a级毛片| 长腿黑丝高跟| av在线播放精品| 两个人视频免费观看高清| 深夜精品福利| 国产高清视频在线观看网站| 免费不卡的大黄色大毛片视频在线观看 | 久久久久久久久大av| 国产精品爽爽va在线观看网站| 有码 亚洲区| 91精品国产九色| 国产在视频线在精品| 97超碰精品成人国产| 国产一级毛片七仙女欲春2| 亚洲自拍偷在线| 美女黄网站色视频| 在线免费观看的www视频| a级毛片a级免费在线| 床上黄色一级片| 婷婷六月久久综合丁香| 免费高清视频大片| 性插视频无遮挡在线免费观看| 一本一本综合久久| 亚洲欧美清纯卡通| 能在线免费观看的黄片| 非洲黑人性xxxx精品又粗又长| 国产91av在线免费观看| av天堂中文字幕网| 亚洲性夜色夜夜综合| 蜜桃亚洲精品一区二区三区| 国产精品亚洲一级av第二区| 久久精品影院6| 午夜激情欧美在线| h日本视频在线播放| 久久久久久伊人网av| 国内精品宾馆在线| 日韩,欧美,国产一区二区三区 | 中国美白少妇内射xxxbb| 欧美三级亚洲精品| 亚洲经典国产精华液单| 天天躁日日操中文字幕| 18禁裸乳无遮挡免费网站照片| 最后的刺客免费高清国语| 熟女人妻精品中文字幕| 欧美3d第一页| 啦啦啦韩国在线观看视频| 青春草视频在线免费观看| 日本三级黄在线观看| 成人一区二区视频在线观看| 国产探花在线观看一区二区| 亚洲av不卡在线观看| 亚洲av不卡在线观看| 在线播放无遮挡| 看十八女毛片水多多多| 成人一区二区视频在线观看| 97超视频在线观看视频| 狂野欧美激情性xxxx在线观看| 亚洲欧美日韩卡通动漫| 别揉我奶头~嗯~啊~动态视频| aaaaa片日本免费| 联通29元200g的流量卡| 国产精品一区二区三区四区免费观看 | 国产极品精品免费视频能看的| 日韩精品有码人妻一区| 狠狠狠狠99中文字幕| 国产综合懂色| 婷婷色综合大香蕉| 成人性生交大片免费视频hd| 三级男女做爰猛烈吃奶摸视频| 国产精品免费一区二区三区在线| 久久人人爽人人片av| 伦理电影大哥的女人| 国产成年人精品一区二区| 99热6这里只有精品| 国产黄片美女视频| 中国国产av一级| 亚洲图色成人| 黄色日韩在线| 国国产精品蜜臀av免费| 欧美高清性xxxxhd video| 悠悠久久av| 日本a在线网址| 成人美女网站在线观看视频| 欧美bdsm另类| 麻豆乱淫一区二区| 久久精品91蜜桃| 亚洲最大成人av| 欧洲精品卡2卡3卡4卡5卡区| 此物有八面人人有两片| 99久久精品国产国产毛片| 久久亚洲国产成人精品v| 国产蜜桃级精品一区二区三区| 51国产日韩欧美| 黄色一级大片看看| 听说在线观看完整版免费高清| 国产精品久久电影中文字幕| 中文字幕av成人在线电影| 成人午夜高清在线视频| 国产激情偷乱视频一区二区| 97超视频在线观看视频| 精品99又大又爽又粗少妇毛片| 99久久久亚洲精品蜜臀av| 日本a在线网址| 黄色欧美视频在线观看| eeuss影院久久| 99在线视频只有这里精品首页| 色5月婷婷丁香| 亚州av有码| 久久草成人影院| 不卡一级毛片| 久久午夜福利片| 午夜免费男女啪啪视频观看 | 尤物成人国产欧美一区二区三区| 国产av在哪里看| 高清毛片免费观看视频网站| 成人永久免费在线观看视频| 亚洲av.av天堂| 精品无人区乱码1区二区| 免费一级毛片在线播放高清视频| 1000部很黄的大片| 99热这里只有是精品50| 亚洲欧美精品综合久久99| 久久久久免费精品人妻一区二区| 99视频精品全部免费 在线| 欧美日韩精品成人综合77777| 日本熟妇午夜| 日韩一区二区视频免费看| 成年女人看的毛片在线观看| 97碰自拍视频| 国产精品国产三级国产av玫瑰| 最新在线观看一区二区三区| 日本免费一区二区三区高清不卡| videossex国产| 日韩成人伦理影院| 一级毛片电影观看 | 乱人视频在线观看| 日韩一区二区视频免费看| 婷婷六月久久综合丁香| 国产v大片淫在线免费观看| 成年女人看的毛片在线观看| 成人无遮挡网站| 亚洲欧美成人精品一区二区| 国产黄a三级三级三级人| 国产精品久久电影中文字幕| 精品人妻视频免费看| 好男人在线观看高清免费视频| 少妇熟女aⅴ在线视频| 亚洲熟妇熟女久久| 久久人妻av系列| 精华霜和精华液先用哪个| 国产欧美日韩一区二区精品| 日本成人三级电影网站| 欧美成人a在线观看| 国产亚洲精品综合一区在线观看| 精品久久久久久久久av| 精品无人区乱码1区二区| 亚洲无线观看免费| 91av网一区二区| 97在线视频观看| 能在线免费观看的黄片| 美女被艹到高潮喷水动态| 国产精品一区二区性色av| 久久人人爽人人爽人人片va| 国产亚洲精品久久久com| 少妇高潮的动态图| 超碰av人人做人人爽久久| 联通29元200g的流量卡| 亚洲自偷自拍三级| 亚洲第一电影网av| 色噜噜av男人的天堂激情| 久99久视频精品免费| 国产精品99久久久久久久久| 热99在线观看视频| 日韩高清综合在线| 午夜精品国产一区二区电影 | 99久久精品热视频| 我要搜黄色片| 日本黄色片子视频| 伦理电影大哥的女人| 久久99热这里只有精品18| 亚洲国产精品成人综合色| 十八禁国产超污无遮挡网站| 精品一区二区三区视频在线观看免费| 日日撸夜夜添| 国产精品伦人一区二区| 午夜影院日韩av| 一进一出抽搐动态| 久久久久久九九精品二区国产| 毛片一级片免费看久久久久| 天天一区二区日本电影三级| 免费大片18禁| 日韩一区二区视频免费看| 亚洲欧美成人综合另类久久久 | 日韩国内少妇激情av| 搡女人真爽免费视频火全软件 | 中文字幕av成人在线电影| 国产精华一区二区三区| 白带黄色成豆腐渣| 天美传媒精品一区二区| 特级一级黄色大片| 日韩成人av中文字幕在线观看 | 波多野结衣高清作品| 久久精品国产亚洲av天美| 国产三级在线视频| 成人鲁丝片一二三区免费| 97碰自拍视频| 简卡轻食公司| ponron亚洲| 国模一区二区三区四区视频| 亚洲av五月六月丁香网| 日本爱情动作片www.在线观看 | 岛国在线免费视频观看| 成人高潮视频无遮挡免费网站| 国产一区二区在线av高清观看| 老女人水多毛片| 一区福利在线观看| 久久精品国产99精品国产亚洲性色| 久久热精品热| 精品人妻熟女av久视频| 亚洲av中文字字幕乱码综合| 日韩欧美精品v在线| 久99久视频精品免费| 亚洲第一区二区三区不卡| 午夜老司机福利剧场| 精品福利观看| 美女内射精品一级片tv| 欧美绝顶高潮抽搐喷水| 国产一区二区三区在线臀色熟女| 亚洲欧美成人精品一区二区| 欧美性感艳星| 国产亚洲精品av在线| 国产一区二区亚洲精品在线观看| 午夜视频国产福利| 久久精品影院6| 亚洲欧美日韩高清在线视频| 日韩三级伦理在线观看| 免费观看精品视频网站| 免费电影在线观看免费观看| 国产色爽女视频免费观看| 久久精品国产清高在天天线| 国产大屁股一区二区在线视频| 国产一区二区在线观看日韩| 中出人妻视频一区二区| 看非洲黑人一级黄片| 久久精品国产99精品国产亚洲性色| 亚洲精品在线观看二区| 别揉我奶头~嗯~啊~动态视频| 人人妻人人澡人人爽人人夜夜 | 91在线观看av| 美女xxoo啪啪120秒动态图| 免费av观看视频| 久久精品综合一区二区三区| 免费av观看视频| 欧美一区二区国产精品久久精品| 国产精品人妻久久久久久| 成人特级av手机在线观看| 国产精品久久久久久久久免| av在线观看视频网站免费| 可以在线观看的亚洲视频| 午夜福利在线观看免费完整高清在 | 性色avwww在线观看| 成人亚洲欧美一区二区av| 在线观看午夜福利视频| 亚洲国产高清在线一区二区三| 国模一区二区三区四区视频| 精品熟女少妇av免费看| 麻豆成人午夜福利视频| 亚洲精品日韩在线中文字幕 | 亚洲精华国产精华液的使用体验 | 国产日本99.免费观看| 此物有八面人人有两片| 干丝袜人妻中文字幕| 久久人人精品亚洲av| 欧美3d第一页| 欧美bdsm另类| 日韩欧美国产在线观看| 色在线成人网| 99久国产av精品国产电影| 小蜜桃在线观看免费完整版高清| 国产精品福利在线免费观看| 日韩欧美免费精品| 亚洲人成网站高清观看| 亚洲精品亚洲一区二区| 国产精品精品国产色婷婷| 色av中文字幕| 身体一侧抽搐| 少妇裸体淫交视频免费看高清| 亚洲人与动物交配视频| 亚洲色图av天堂| 亚洲性夜色夜夜综合| 午夜免费男女啪啪视频观看 | 婷婷精品国产亚洲av| 卡戴珊不雅视频在线播放| 波野结衣二区三区在线| 最后的刺客免费高清国语| 国产熟女欧美一区二区| 1024手机看黄色片| 国产女主播在线喷水免费视频网站 | 国产精品1区2区在线观看.| 少妇人妻精品综合一区二区 | 男人舔女人下体高潮全视频| 精品久久久久久久久久久久久| 菩萨蛮人人尽说江南好唐韦庄 | 亚洲欧美清纯卡通| 日韩欧美 国产精品| 午夜激情福利司机影院| 深夜a级毛片| 一卡2卡三卡四卡精品乱码亚洲| 午夜a级毛片| 精品人妻一区二区三区麻豆 | 人妻久久中文字幕网| eeuss影院久久| 久久精品国产亚洲av天美| 国产精品一及| 青春草视频在线免费观看| 亚洲无线在线观看| 伊人久久精品亚洲午夜| 久久久久国内视频| 麻豆久久精品国产亚洲av| 国产麻豆成人av免费视频| 久久热精品热| 成人二区视频| 99热网站在线观看| 欧美最黄视频在线播放免费| 国产精品女同一区二区软件| 看十八女毛片水多多多| 99久国产av精品国产电影| 国产高清视频在线播放一区| 美女高潮的动态| 日韩中字成人| 久久久a久久爽久久v久久| 少妇的逼好多水| 欧美日本视频| av视频在线观看入口| 小说图片视频综合网站| 别揉我奶头~嗯~啊~动态视频| 日日啪夜夜撸| 国产91av在线免费观看| av免费在线看不卡| 免费一级毛片在线播放高清视频| 少妇裸体淫交视频免费看高清| 国产毛片a区久久久久| 日韩高清综合在线| 亚洲国产高清在线一区二区三| 成人av在线播放网站| 蜜臀久久99精品久久宅男| 麻豆av噜噜一区二区三区| 色噜噜av男人的天堂激情| 老师上课跳d突然被开到最大视频| 天堂动漫精品| 国产伦精品一区二区三区四那| 99热网站在线观看| 特大巨黑吊av在线直播| 久久国产乱子免费精品| 免费看日本二区| 国产不卡一卡二| 一本精品99久久精品77| 女生性感内裤真人,穿戴方法视频| 日韩成人伦理影院| 99久久无色码亚洲精品果冻| 国产极品精品免费视频能看的| 热99re8久久精品国产| 村上凉子中文字幕在线| 亚洲不卡免费看| 五月玫瑰六月丁香| av在线亚洲专区| 91久久精品国产一区二区成人| 欧美三级亚洲精品| 久久精品国产亚洲网站| 午夜a级毛片| 精品久久久久久久久久免费视频| 欧美性猛交╳xxx乱大交人| 久久久久国产精品人妻aⅴ院| 久久久久九九精品影院| 我的老师免费观看完整版| 国产亚洲欧美98| 搡女人真爽免费视频火全软件 | 九九久久精品国产亚洲av麻豆| 欧美一级a爱片免费观看看| 国产精品精品国产色婷婷| 三级经典国产精品| 国产精品一区www在线观看| 亚洲欧美日韩无卡精品| 十八禁国产超污无遮挡网站| 中文字幕熟女人妻在线| 变态另类成人亚洲欧美熟女| 最近在线观看免费完整版| 国产精品无大码| 中文字幕人妻熟人妻熟丝袜美| 成年女人永久免费观看视频| 国产片特级美女逼逼视频| 国产男靠女视频免费网站| 欧美成人免费av一区二区三区| 深夜精品福利| 国产精品亚洲美女久久久| 最后的刺客免费高清国语| 国产乱人视频| 女的被弄到高潮叫床怎么办| 十八禁网站免费在线| 搞女人的毛片| 日本一二三区视频观看| 人人妻人人澡欧美一区二区| 精品人妻一区二区三区麻豆 | 国内精品久久久久精免费| 美女xxoo啪啪120秒动态图| av福利片在线观看| 热99re8久久精品国产| 亚洲欧美成人综合另类久久久 | 国产色爽女视频免费观看| 激情 狠狠 欧美| 网址你懂的国产日韩在线| 国产淫片久久久久久久久| 美女大奶头视频| 天堂网av新在线| 我要搜黄色片| 亚洲欧美精品自产自拍| 欧美丝袜亚洲另类| 亚洲av.av天堂| 欧美高清成人免费视频www| 男女视频在线观看网站免费| 在线观看av片永久免费下载| 亚洲国产精品久久男人天堂| 色综合站精品国产| 三级男女做爰猛烈吃奶摸视频| 狂野欧美白嫩少妇大欣赏| 国产伦精品一区二区三区视频9| 国产色婷婷99| 女人十人毛片免费观看3o分钟| 身体一侧抽搐| 亚洲av电影不卡..在线观看| 免费高清视频大片| 少妇高潮的动态图| 乱系列少妇在线播放| 精品国产三级普通话版| 天堂av国产一区二区熟女人妻| 男女视频在线观看网站免费| 中文字幕av成人在线电影| 国产久久久一区二区三区| 欧美性猛交黑人性爽| 亚洲精品一卡2卡三卡4卡5卡| 欧美xxxx性猛交bbbb| 一区福利在线观看| 国产在线男女| 最后的刺客免费高清国语| av中文乱码字幕在线| 又爽又黄a免费视频| 最近视频中文字幕2019在线8| 亚洲人成网站在线播放欧美日韩| 麻豆精品久久久久久蜜桃| 国产精品国产三级国产av玫瑰| 久久久久久久久久成人| 精品欧美国产一区二区三| 黄片wwwwww| 国产伦精品一区二区三区四那| 亚洲五月天丁香| 男女啪啪激烈高潮av片| 日韩欧美国产在线观看| 一级毛片久久久久久久久女| 色哟哟哟哟哟哟| 成人亚洲精品av一区二区| 久久久久久久午夜电影| 成人亚洲欧美一区二区av| 99热6这里只有精品| 亚洲成人中文字幕在线播放| 欧美高清性xxxxhd video| 99热只有精品国产| 中文字幕av在线有码专区| 中国美女看黄片| 欧美日本亚洲视频在线播放| 欧美一级a爱片免费观看看| 日韩av在线大香蕉| 国内少妇人妻偷人精品xxx网站| 国产精品永久免费网站| 丰满乱子伦码专区| 伊人久久精品亚洲午夜| 欧美xxxx黑人xx丫x性爽| 成年女人看的毛片在线观看| 精品一区二区三区视频在线| 国产av在哪里看| 久久草成人影院| 1000部很黄的大片| 国产精品三级大全| 午夜老司机福利剧场| 搞女人的毛片| 久久午夜福利片| 国产成人精品久久久久久| 狂野欧美白嫩少妇大欣赏| 最好的美女福利视频网| 国产精品久久电影中文字幕| 99热网站在线观看| 亚洲欧美日韩高清在线视频| a级毛片a级免费在线| 国产精品乱码一区二三区的特点| 国产精品久久视频播放| 色哟哟哟哟哟哟| 国产精品一二三区在线看| 日韩制服骚丝袜av| 亚洲无线观看免费| 在线免费十八禁| 亚洲综合色惰| 亚洲最大成人中文| 国产黄色视频一区二区在线观看 | 看非洲黑人一级黄片| 日韩欧美在线乱码| 日韩亚洲欧美综合|