信息论特征选择算法的改进

特征选择在模式识别技术中起着非常重要的作用，已有多种特征选择的方法，但用信息论的方法进行特征选择还是一个新的课题，MIFS算法和MIFS-U算法都是近似算法，随着输入特征的增加，特征选择性能逐渐下降．本文通过研究这两种算法，提出一种改进方法，在运算量几乎不增加的情况下，提高这两种算法的特征选择性能。     

分支定界算法在白细胞特征选择中的应用研究

提出了一种基于分支定界算法的白细胞图像特征选择方法，该方法可有效降低特征空间的维数，加速分类器的速度。为验证方法的有效性，分别用106个原始特征和从106个特征中选择35个最优特征进行分类实验。结果表明，两种情况的分类效果无明显改变，有效缩短了分类器的分类时间。     

分支定界算法在白细胞特征选择中的应用研究

提出了一种基于分支定界算法的白细胞图像特征选择方法,该方法可有效降低特征空间的维数,加速分类器的速度.为验证方法的有效性,分别用106个原始特征和从106个特征中选择35个最优特征进行分类实验.结果表明,两种情况的分类效果无明显改变,有效缩短了分类器的分类时间.     

基于熵的特征选择的AdaBoost改进算法

在模式分类领域,分类器特征输入的选择对分类效果是至关重要的.我们提出了一种新的基于相对熵的特征选择AdaBoost方法.在该算法中,引入相对熵度量两类间的距离.在每一轮中,选择最优特征作为二维分量分类器的输入.随着权值的改变,在每一轮中特征的选择也不同.最后,由一组弱分类器结合而成的强分类器.实验表明,与遍历搜索的AdaBoost算法相比,该算法的检测正确率提高了5%,而时间缩短了20%以上.     

局部泛化误差模型的改进及其在特征选择中的应用

利用基于范数的思想,重新推导了Wing W.Y.Ng的局部泛化误差模型(L-GEM),并结合实际应用的需要,进一步简化了该模型(L-GEM-WA).可将该模型应用到特征选择当中.实验表明,在尽可能不降低网络测试精度的前提下,L-GEM-WA模型在特征选择中的应用非常实用有效.     

采用改进黑猩猩优化算法的特征选择

针对黑猩猩优化算法在勘探阶段可能会陷入局部最优的缺点,提出了一种改进的黑猩猩优化算法。首先计算适应度值最高和最低的黑猩猩之间的斯皮尔曼等级相关系数,然后采用甲虫天线搜索算法使得适应度值低的黑猩猩获得嗅觉能力,以提高适应度值低的黑猩猩的局部勘探开发能力。同时为解决传统支持向量机在封装式特征选择中分类精度较差的问题,将改进后的黑猩猩优化算法与支持向量机相结合,实现同步优化。为了验证所提方法的有效性,选取了UCI(University of California, Irvine)数据库中的10个数据集进行实验,从精确度、所用特征个数和适应度值三个方面与常用算法进行比较和综合评价,实验结果表明该算法具有更好的精确度和稳定性,有效适用于特征选择这一工程问题。     

KWNN特征选择在客户关系管理系统中的应用研究

为了提高基于数据挖掘的客户关系管理系统的决策性能和决策效率,首先进行KWNN特征选择,选取客户数据集中分类最优的决策特征子集,然后对该特征子集的数据集中进行挖掘抽取知识,作为企业的决策依据。KWNN特征选择过程分3步:原始数据初始化、基于K-W的H值计算和依据H值采用神经网络分类器挑选最优特征子集。采用UCI数据库中German数据集进行验证,实验证明KWNN特征选择的可行性。     

双向自动分支界限特征选择算法

Feature selection ks a process where a miniraal feature subset ks selected from an original feature set according to a certain measure. In this paper, feature relevancy ks defined by an inconsistency rate. A bidirectional automated branch and bound algorithm is presented. It is a new complete search algorithm for feature selection, which performs feature deletion and feature addition in parallel.Its bound ks determined by inconsistency rate of the original feature set, hence termed as ‘automated‘. Experimental study shows that it ks fit for feature selection.     

特征选择算法综述及进展研究

特征选择作为一种重要的数据预处理手段,可以解决维数灾难问题,提高算法泛化能力,提高模型的可理解性,因此,对特征选择算法进行广泛深入的研究是必要的。为此,综述了特征选择算法的框架,给出了目前的主要算法,并探讨了目前的研究热点和将来可能的研究方向。     

遗传和差分演化算法的特征选择在高光谱图像降维中的应用

高光谱遥感使宽波段遥感中不可探测的物质可以被探测,成为了遥感界的一场新的革命．由于高光谱遥感图像波段多、光谱分辨率高、数据量庞大,给高光谱遥感数据实际应用分析带来极大不便．以特征选择为目的,以协方差矩阵特征值法为评价算法,设计实现了基于遗传算法和差分演化算法的降维过程．通过与传统的序列向前搜索的特征选择进行对比实验,比照搜索结果和算法耗时,验证了演化算法在特征选择的实现过程中具有良好的性能,证明了演化算法在高光谱图像降维中的实用价值．其中差分演化算法搜索结果十分稳定,可以替代完全搜索来寻找最优解．     

天线选择算法在高速铁路中的应用

文章通过对高速铁路特性的分析,介绍了一种基于MIMO系统无线信道相关性比较的天线选择算法。该算法与传统的选择算法相比,能够更快地选择出对信道容量贡献最大的接收端和发送端天线,并能够有效对抗列车高速运行时产生的多普勒频移等影响因素．降低高速移动条件下通信的误码率。     

拆分特征选择及其在企业信用评估中应用

评估指标体系的选取是企业信用评估的首要问题，它是一个特征选择问题。文章提出了一种针时SVM组合技术的拆分特征选择方法，其主要思想是时SVM组合中的各个分类器分别进行特征选择，再采用不同的特征子集作为各子分类器的输入，进行组合建模与预测。文章从filter和wrapper相结合的思想出发，进行了子分类器的特征选择；之后，针对企业信用评估问题的特点，采用了二叉树结构作为SVM的组合策略。实验表明，拆分特征选择方法能选出规模较小、具有一定差异的关键指标集，提高了模型的分类性能，并且具有计算简单，运行快速的优点。     

一种改进的情感倾向判别算法

WU Fei;GUO Rujing(Nanjing Tech University Pujiang Institute,Nanjing 210000,China;Anyang Institute of Technology,Anyang 455000,China)     

基于教与学优化算法的特征选择

为提高特征选择算法的分类精度,使特征子集尽快达到全局最优,提出了一种基于教与学优化算法的特征选择方法。该方法首先将最大相关最小冗余的过滤式特征选择算法融入其中,然后利用教与学优化算法对特征子集进行迭代寻优,构造一个混合式特征选择框架。经UCI数据集试验,证明了该算法的收敛速度与分类精度均优于其它算法。     

基于Relief-SBS特征选择算法的入侵检测方法研究

入侵检测技术作为网络安全领域的焦点,在不同的环境中发挥着极其重要的作用。入侵检测数据的特征选择方法,直接影响着入侵检测的效率。在综合统计相关性的特征选择算法(Relief)和顺序后向搜索算法(SBS)的基础上提出基于Relief与顺序后向搜索的特征选择算法(Relief-SBS),该算法在每一轮迭代后去除一个特征,并在每一轮迭代中,采用Relief算法的结果作为特征的评估标准,仿真实验表明,该特征选择算法提高了入侵检测效率,它为入侵检测技术这一长期目标提供相关技术支持。     

人工蜂群算法在个人信用评分中的应用仿真

为建立有效的个人信用评分指标体系,提出一种改进的人工蜂群算法。算法利用粗糙集和信息论,构造初始解和适应值函数,减少蜂群搜索的盲目性;同时,采用遗传算法的基本变异算子进行邻域搜索产生新解,增加随机性,避免算法陷入局部最优。算法利用个人信用评分数据集进行仿真实验,对比实验表明:算法比其他特征选择算法能够得到更优的特征子集且所需参数最少。     

财务战略矩阵的改进模型在并购选择中的应用

以对并购目标公司的选择为出发点,在对财务战略矩阵模型分析的基础上,加入公司价值的不确定性因素,建立改进的不确定性EVA战略模型,并通过层次分析法的比较和检验,可以最终完成对并购目标的统筹和优选。     

一种垂直分布环境下的特征选择及规则提取算法

特征选择及规则提取是数据挖掘过程中的重要环节.Rough集理论提供了一种新的属性约简即特征选择及规则提取工具,但目前Rough集理论研究主要针对单个决策表(或信息系统),分布式环境下的粗糙集理论研究还不多见.文章提出一种垂直分布环境下的特征选择及规则提取算法,算法分析结果表明,该种算法是有效可行的.     

改进蚁群算法在解决TSP问题中的应用

在已知静态环境的条件下,提出一种改进蚁群算法,用以解决基本蚁群算法的收敛速度慢、效率低、易陷入局部最优解等问题。在传统蚁群算法的基础上,首先通过自适应改变挥发系数来使初始时刻的蚁群搜索能力加强、范围扩大,避免陷入局部最优解;其次将轮盘赌算子利用到状态转移规则中,有效地提高了解的质量和算法的收敛速度;最后通过精英选择操作,有效地提高了算法的全局搜索效率和收敛速度。通过对不同TSP实例仿真结果表明:改进后的蚁群算法在较少的迭代次数下得到的解非常接近问题的最优解,验证了该算法的可行性和有效性。     

基于教学优化算法的帕金森疾病数据特征选择方法研究

帕金森疾病作为一种致死率较高的老年神经系统退行性疾病,发病率日益上升。因此对帕金森疾病数据进行特征预测和分析,有助于帮助患者进行早期干预治疗,提高治愈率。本文提出了一种基于改进教学优化算法的特征选择方法,在原有的教学优化算法基础上通过自适应教学因子,提高算法精密搜索的性能,使用多学习策略增强算法的全局搜索能力,加速收敛。算法通过KNN、十倍交叉进行分类验证,实验结果与原有的教学优化算法相比,在帕金森疾病数据特征选择上性能更优。