检索结果-南通市图书馆

基于次相关特征和邻域互信息的在线多标记特征选择算法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

山东大学学报（理学版） 2024年第5期59卷 70-81页

作者：程雨轩毛煜张小清曾艺祥林耀进闽南师范大学计算机学院福建漳州363000 数据科学与智能应用福建省高等学校重点实验室福建漳州363000

为了充分地挖掘被单一度量指标算法忽略但对分类结果有利的特征,提出了基于次相关特征和邻域互信息的在线多标记特征选择算法,通过计算得到的新到达特征的重要性以及相关度,分析其显著性的区别,将特征区分为显著特征以及次相关特征。利... 详细信息

为了充分地挖掘被单一度量指标算法忽略但对分类结果有利的特征,提出了基于次相关特征和邻域互信息的在线多标记特征选择算法,通过计算得到的新到达特征的重要性以及相关度,分析其显著性的区别,将特征区分为显著特征以及次相关特征。利用邻域交互信息对新到达的特征与已选特征集合进行冗余性分析,剔除依赖度较低的特征,以此逐步提升特征子集的质量。构建了基于全局的线性和非线性关系的度量指标,并以此来计算特征的局部相关度,有效地挖掘次相关特征。充分考虑特征空间中次相关特征存在的问题,将次相关特征从特征集合中剥离并单独保存,使之在冗余分析阶段不会因显著特征对度量指标敏感度高所产生的影响而被剔除出特征集合。建立了特征选择指标,利用迭代策略根据指标进行特征选择。实验结果表明,该算法具有很好的有效性和稳定性。

关键词：在线特征选择多标记学习邻域熵邻域互信息次相关特征

在线全文

学校读者我要写书评

暂无评论

基于邻域互信息的组合预测最优子集选择算法

计算机工程与设计 2024年第5期45卷 1359-1367页

作者：吕兴李倩张大斌曾莉玲凌立文华南农业大学数学与信息学院广东广州510642 华南农业大学乡村振兴研究院广东广州510642 广东白云学院大数据与计算机学院广东广州510450

为在候选模型集中高效地选择时间序列组合预测的最优子集,提出一种CSPSO-NMI-MRMR最优子集选择算法。利用邻域互信息(neighborhood mutual information, NMI)度量相关性和冗余度,避免数值型数据的离散化,按最大相关最小冗余原则(minimal... 详细信息

为在候选模型集中高效地选择时间序列组合预测的最优子集,提出一种CSPSO-NMI-MRMR最优子集选择算法。利用邻域互信息(neighborhood mutual information, NMI)度量相关性和冗余度,避免数值型数据的离散化,按最大相关最小冗余原则(minimal redundancy and maximal relevance, MRMR)筛选最优子集;邻域互信息中的邻域参数与子集选择效果密切相关,采用CSPSO算法寻找最优邻域参数,充分利用布谷鸟算法(cuckoo search, CS)和粒子群优化算法(particle swarm optimization, PSO)的优势,兼顾搜索效率和全局搜索能力;在寻参过程中设计一种淘汰策略,优化邻域参数的寻优区间并淘汰部分单模型,减少计算量。仿真结果表明,所提方法在预测精度、运行时间和稳健性上效果更优。

关键词：时间序列组合预测子模型选择邻域互信息参数优化启发式算法布谷鸟算法

在线全文

学校读者我要写书评

暂无评论

基于邻域互信息的高维时序数据特征选择

计算机工程 2023年第7期49卷 135-142,149页

作者：杨璇马建敏赵曼君长安大学理学院西安710064

特征选择作为一种数据预处理方法,主要目的是消除冗余和不相关属性,保留性能显著的属性,从而提高模型精度且降低计算复杂度。传统的特征选择方法多基于截面数据,对于实际生活中大量存在的高维时序数据的研究较少。现有特征选择算法并未... 详细信息

特征选择作为一种数据预处理方法,主要目的是消除冗余和不相关属性,保留性能显著的属性,从而提高模型精度且降低计算复杂度。传统的特征选择方法多基于截面数据,对于实际生活中大量存在的高维时序数据的研究较少。现有特征选择算法并未考虑属性间相互依赖的影响,导致分类性能下降。为此,提出基于邻域互信息的高维时序数据特征选择方法。构建时序信息系统,提出时序邻域关系,并引入该关系下的时序邻域熵、时序邻域联合熵、时序邻域互信息等信息度量。在最近最远邻特征选择算法(算法1)中引入高维时序数据,定义属性重要度,以确定分类性能较优的特征,通过引入累计重要度贡献率控制特征选择规模。设计最近最远邻邻域互信息特征选择算法(算法2),根据阈值得到分类能力强的初始特征集,进一步由时序邻域互信息定义属性冗余度,去除初始特征集中重要度最低、依赖程度最大的属性,得到最终特征子集。在UCR数据集上的实验结果表明,相比原始数据和所提算法1,所提算法2在最佳取值范围和分类精度上分别平均提升13.69%和6.70%,对于处理高维时序数据的特征选择具有一定的有效性和优越性。

关键词：高维时序数据粗糙集邻域关系邻域互信息最近最远邻特征选择

在线全文

学校读者我要写书评

暂无评论

基于自适应邻域互信息与谱聚类的特征选择

山东大学学报（理学版） 2022年第12期57卷 13-24页

作者：孙林梁娜徐久成河南师范大学计算机与信息工程学院河南新乡453007 智慧商务与物联网技术河南省工程实验室河南新乡453007

借鉴邻域粗糙集处理连续型数据的优势,为解决传统谱聚类算法需要人工选取参数的问题,提出基于自适应邻域互信息与谱聚类的特征选择算法。首先,定义各对象在属性下的标准差集合与自适应邻域集,给出自适应邻域熵、平均邻域熵、联合熵、邻... 详细信息

借鉴邻域粗糙集处理连续型数据的优势,为解决传统谱聚类算法需要人工选取参数的问题,提出基于自适应邻域互信息与谱聚类的特征选择算法。首先,定义各对象在属性下的标准差集合与自适应邻域集,给出自适应邻域熵、平均邻域熵、联合熵、邻域条件熵、邻域互信息等不确定性度量,利用自适应邻域互信息对特征与标签的相关性进行排序。然后,结合共享近邻自适应谱聚类算法,将相关性强的特征聚到同一特征簇内,使不同特征簇内的特征强相异。最后,使用最小冗余最大相关技术设计特征选择算法。在10个数据集上选择特征个数与分类精度的实验结果,验证了所提算法的有效性。

关键词：特征选择邻域粗糙集邻域互信息谱聚类最小冗余最大相关

基于次相关特征和邻域互信息的在线多标记特征选择算法

在线全文

学校读者我要写书评

暂无评论

山东大学学报(理学版) 2023年

作者：程雨轩毛煜张小清曾艺祥林耀进闽南师范大学计算机学院数据科学与智能应用福建省高等学校重点实验室

为了充分地挖掘被单一度量指标算法忽略但对分类结果有利的特征,提出了基于次相关特征和邻域互信息的在线多标记特征选择算法,通过计算得到的新到达特征的重要性以及相关度,分析其显著性的区别,将特征区分为显著特征以及次相关特征。利用邻域交互信息对新到达的特征与已选特征集合进行冗余性分析,剔除依赖度较低的特征,以此逐步提升特征子集的质量。构建了基于全局的线性和非线性关系的度量指标,并以此来计算特征的局部相关度,有效地挖掘次相关特征。充分考虑特征空间中次相关特征存在的问题,将次相关特征从特征集合中剥离并单独保存,使之在冗余分析阶段不会因为显著特征对度量指标敏感度高所产生的影响而被剔除出特征集合。建立了特征选择指标,利用迭代策略根据指标进行特征选择。试验结果表明,该算法具有很好的有效性和稳定性。

关键词：在线流特征选择多标记学习邻域熵邻域互信息次相关特征

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于邻域互信息的三支特征选择

计算机工程与应用 2022年第22期58卷 159-164页

作者：卓永泰董又铭高灿深圳大学计算机与软件学院广东深圳518060 广东省智能信息处理重点实验室(深圳大学) 广东深圳518060

特征选择是机器学习非常重要的预处理步骤,而邻域互信息是一种能直接处理连续型或离散型特征的有效方法。然而基于邻域互信息的特征选择方法一般采用启发式贪婪策略,其特征子集质量难以得到有效保证。基于三支决策的思想,提出了三支邻... 详细信息

特征选择是机器学习非常重要的预处理步骤,而邻域互信息是一种能直接处理连续型或离散型特征的有效方法。然而基于邻域互信息的特征选择方法一般采用启发式贪婪策略,其特征子集质量难以得到有效保证。基于三支决策的思想,提出了三支邻域互信息特征选择方法(NMI-TWD)。通过扩展三个潜在的候选特征子集,并保持各子集之间的差异性,以获得更高质量的特征子集。对三个差异性的特征子集进行集成学习,构建三支协同决策模型,以进一步提高分类学习性能。UCI实验数据表明,新方法的特征选择结果和分类性能较其他方法更优,说明了其有效性。

关键词：特征选择邻域粗糙集邻域互信息三支决策集成学习

在线全文

学校读者我要写书评

暂无评论

基于邻域互信息的密度峰值聚类算法

基于邻域互信息的密度峰值聚类算法

作者：杜愈强南昌大学

学位级别：硕士

聚类分析是数据挖掘中重要的一个研究方向，聚类分析将数据集按照数据间的相似性划分成类簇，使一些数据相似度高的数据划分为一类，数据相似度较低的划分为不同类簇。在如今数据爆炸的时代，由于聚类分析可以揭示现实世界中固有的、潜... 详细信息

聚类分析是数据挖掘中重要的一个研究方向，聚类分析将数据集按照数据间的相似性划分成类簇，使一些数据相似度高的数据划分为一类，数据相似度较低的划分为不同类簇。在如今数据爆炸的时代，由于聚类分析可以揭示现实世界中固有的、潜在的和未知的知识、原理或规则，揭示了数据的规律和模式，因此被广泛应用于数据挖掘、模式识别、机器学习、信息检索、图像分析和计算机图形学等领域，现如今已经提出了集中不同的聚类策略，比如分区、分层、基于分布、基于密度几种。基于密度的密度峰值聚类(Density-basedclustering简称DPC)是Rodriguez和Lario2014在science上发表的一种聚类算法，该算法通过对类簇的密度峰之点和中心偏移距离的决策图确定密度中心，再通过密度中心高效的对样本点进行分配。　　然而，DPC算法仍然存在以下局限:(1)所有样本点缺少精确的划分，虽然很高效，但是对于决策图中位于中间的点没有一个明确的阈值，导致聚类精确度不够。(2)时间复杂度较高，不适用于数据集庞大的聚类分析。本文综合考虑算法的精确度以及时间复杂度，提出了基于邻域互信息（NeiborhoodMutualInformation）的改进的密度峰值聚类算法(NMIDPC)。首先提出了一种基于邻域互信息的密度度量方式，重新计算了局部密度并根据邻域密度对密度中心邻域的点进行了二次划分，提升了决策精确度。其次提出了基于邻域互信息的密度峰值聚类算法，通过不断对密度中心邻域进行放缩找到每个点的划分，提高了聚类精度。最后，对于时间复杂度较高的问题，对决策图中处于边界域上的点采用边界域加速算法进行加速计算，降低了时间复杂度。在UCI数据集上的实验结果表明:在大部分数据集中NMIDPC算法不仅在精确度方面得到了提升，同时降低了时间复杂度。在此基础上将此算法应用于图像分割中，提出了一种基于邻域互信息的密度峰值聚类图像分割算法。首先，我们将利用邻域互信息将小段合并到另一个紧密的数据中，来获得更好的分割效果。然后，通过对字段的匹配对图像进行分割并采用分段方差公式。这种方法可以利用方差计算选段与其他端之间的距离，让我们能够寻找到匹配的段。最后，我们提出了基于邻域互信息的密度峰值聚类图像分割算法，这种算法不需要通过大量迭代就可以完成对图像的处理，降低了算法的时间复杂度同时提升了图像分割的精确度。经实验证明，基于邻域互信息的密度峰值聚类算法在图像分割数据集中的表现均优于基于经典聚类的图像分割算法。为基于邻域互信息的密度峰值聚类图像分割算法在实际场景中的应用提供了支撑。

关键词：数据挖掘邻域互信息密度峰值聚类样本划分

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

邻域互信息在磁共振颅脑图像配准的应用

计算机工程与应用 2009年第10期45卷 154-156页

作者：李晓光谭建豪湖南大学电气与信息工程学院长沙410012

引入了一种新的对互信息的扩展称之为邻域互信息。在计算图像信息熵的过程中,不仅考虑了图像中每点像素的信息,还考虑了每点像素邻域像素的信息,从而增加了配准过程中的稳定性。并抑制了配准过程中,因线性插值和部分体积插值所产生的局... 详细信息

引入了一种新的对互信息的扩展称之为邻域互信息。在计算图像信息熵的过程中,不仅考虑了图像中每点像素的信息,还考虑了每点像素邻域像素的信息,从而增加了配准过程中的稳定性。并抑制了配准过程中,因线性插值和部分体积插值所产生的局部极值情况,平滑了信息熵的曲线。然后采用基于遗传算法和Powell所组成的混合优化算法对信息熵函数进行寻优。实验结果表明该算法具有良好的精确性和有效性。

关键词：邻域互信息医学图像配准混合优化算法局部最优

在线全文

学校读者我要写书评

暂无评论

联合谱聚类与邻域互信息的特征选择算法

模式识别与人工智能 2017年第12期30卷 1121-1129页

作者：胡敏杰郑荔平唐莉林耀进闽南师范大学计算机学院漳州363000

针对特征空间中存在潜在相关特征的规律,分别利用谱聚类探索特征间的相关性及邻域互信息以寻求最大相关特征子集,提出联合谱聚类与邻域互信息的特征选择算法.首先利用邻域互信息移除与标记不相干的特征.然后采用谱聚类将特征进行分簇,... 详细信息

针对特征空间中存在潜在相关特征的规律,分别利用谱聚类探索特征间的相关性及邻域互信息以寻求最大相关特征子集,提出联合谱聚类与邻域互信息的特征选择算法.首先利用邻域互信息移除与标记不相干的特征.然后采用谱聚类将特征进行分簇,使同一簇组中的特征强相关而不同簇组中的特征强相异.继而基于邻域互信息从每一特征簇组中选择与类标记强相关而与本组特征低冗余的特征子集.最后将所有选中特征子集组成最终的特征选择结果.在2个基分类器下的实验表明,文中算法能以较少的合理特征获得较高的分类性能.

关键词：特征选择谱聚类互信息邻域互信息