检索结果-南通市图书馆

基于互信息的fisher score多标记特征选择

在线全文

学校读者我要写书评

暂无评论

南京大学学报（自然科学版） 2023年第1期59卷 55-66页

作者：孙林张起峰徐久成河南师范大学计算机与信息工程学院新乡453007

目前,fisher score模型在处理多标记数据时没有考虑样本和整个特征空间之间以及特征和标记之间的关系.提出一种基于互信息的fisher score多标记特征选择方法.首先,在多标记决策系统中考虑整个样本空间对特征选择的影响,根据异类样本与... 详细信息

目前,fisher score模型在处理多标记数据时没有考虑样本和整个特征空间之间以及特征和标记之间的关系.提出一种基于互信息的fisher score多标记特征选择方法.首先,在多标记决策系统中考虑整个样本空间对特征选择的影响,根据异类样本与同类样本之间的欧式距离定义权重公式,并在特征空间下对标记赋予权重衡量标记的重要程度.然后,基于互信息理论定义特征与每个标记之间的互信息来计算每个特征和每个标记之间的相关度,将特征与标记之间的相关度与该标记所占的权重相结合来定义特征和标记集之间的总相关度.将fisher得分与总相关度结合,定义每个特征的新的fisher得分,进而构建多标记fisher score模型.最后,设计了一种基于互信息的fisher score多标记特征选择算法.在六个多标记数据集上的实验证明,提出的算法与其他算法相比,其四种评价指标都表现良好,分类性能出色.

关键词：多标记学习特征选择互信息 fisher score

基于中心偏移的fisher score与直觉邻域模糊熵的多标记特征选择

在线全文

学校读者我要写书评

暂无评论

计算机科学 2024年第7期51卷 96-107页

作者：孙林马天娇天津科技大学人工智能学院天津300457 河南师范大学计算机与信息工程学院河南新乡453007

现有多标记fisher score模型中边缘样本会影响算法分类效果。鉴于邻域直觉模糊熵处理不确定信息时具有更强的表达能力与分辨能力的优势,文中提出了一种基于中心偏移的fisher score与邻域直觉模糊熵的多标记特征选择方法。首先,根据标记... 详细信息

现有多标记fisher score模型中边缘样本会影响算法分类效果。鉴于邻域直觉模糊熵处理不确定信息时具有更强的表达能力与分辨能力的优势,文中提出了一种基于中心偏移的fisher score与邻域直觉模糊熵的多标记特征选择方法。首先,根据标记将多标记论域划分为多个样本集,计算样本集的特征均值作为标记下样本的原始中心点,以最远样本的距离乘以距离系数,去除边缘样本集,定义了新的有效样本集,计算中心偏移处理后的标记下每个特征的得分以及标记集的特征得分,进而建立了基于中心偏移的多标记fisher score模型,预处理多标记数据。然后,引入多标记分类间隔作为自适应模糊邻域半径参数,定义了模糊邻域相似关系和模糊邻域粒,由此构造了多标记模糊邻域粗糙集的上、下近似集;在此基础上提出了多标记邻域粗糙直觉隶属度函数和非隶属度函数,定义了多标记邻域直觉模糊熵。最后,给出了特征的外部和内部重要度的计算公式,设计了基于邻域直觉模糊熵的多标记特征选择算法,筛选出最优特征子集。在多标记K近邻分类器下、9个多标记数据集上的实验结果表明,所提算法选择的最优子集具有良好的分类性能。

关键词：多标记学习特征选择 fisher score 多标记模糊邻域粗糙集邻域直觉模糊熵

基于fisher score与模糊邻域熵的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

计算机应用 2023年第12期43卷 3779-3789页

作者：孙林马天娇薛占熬天津科技大学人工智能学院天津300457 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(河南师范大学) 河南新乡453007

针对fisher score未充分考虑特征与标记以及标记之间的相关性,以及一些邻域粗糙集模型容易忽略边界域中知识粒的不确定性,导致算法分类性能偏低等问题,提出一种基于fisher score与模糊邻域熵的多标记特征选择算法(MLFSF)。首先,利用最... 详细信息

针对fisher score未充分考虑特征与标记以及标记之间的相关性,以及一些邻域粗糙集模型容易忽略边界域中知识粒的不确定性,导致算法分类性能偏低等问题,提出一种基于fisher score与模糊邻域熵的多标记特征选择算法(MLFSF)。首先,利用最大信息系数(MIC)衡量特征与标记之间的关联程度,构建特征与标记关系矩阵;基于修正余弦相似度定义标记关系矩阵,分析标记之间的相关性。其次,给出一种二阶策略获得多个二阶标记关系组,以此重新划分多标记论域;通过增强标记之间的强相关性和削弱标记之间的弱相关性得到每个特征的得分,进而改进fisher score模型,对多标记数据进行预处理。再次,引入多标记分类间隔,定义自适应邻域半径和邻域类并构造了上、下近似集;在此基础上提出了多标记粗糙隶属度函数,将多标记邻域粗糙集映射到模糊集,基于多标记模糊邻域给出了上、下近似集以及多标记模糊邻域粗糙集模型,由此定义模糊邻域熵和多标记模糊邻域熵,有效度量边界域的不确定性。最后,设计基于二阶标记相关性的多标记fisher score特征选择算法(MFSLC),从而构建MLFSF。在多标记K近邻(MLKNN)分类器下11个多标记数据集上的实验结果表明,相较于ReliefF多标记特征选择(MFSR)等6种先进算法,MLFSF的平均分类精度(AP)的均值提高了2.47~6.66个百分点;同时,在多数数据集上,MLFSF在5个评价指标上均能取得最优值。

关键词：多标记学习特征选择 fisher score 多标记模糊邻域粗糙集模糊邻域熵

基于fisher score及遗传算法的特征选择方法研究

在线全文

学校读者我要写书评

暂无评论

基于Fisher Score及遗传算法的特征选择方法研究

作者：周密暨南大学

学位级别：硕士

特征选择是机器学习领域研究的热点之一。本文通过介绍特征选择的相关背景及研究意义,分析一些特征选择方法的优缺点,利用过滤式和封装式这两类特征选择算法的互补性,提出一种基于fisher score及遗传算法的混合式特征选择方法。该方法... 详细信息

特征选择是机器学习领域研究的热点之一。本文通过介绍特征选择的相关背景及研究意义,分析一些特征选择方法的优缺点,利用过滤式和封装式这两类特征选择算法的互补性,提出一种基于fisher score及遗传算法的混合式特征选择方法。该方法先对所有特征的fisher score作一个线性变换,再利用变换后的fisher score生成遗传算法的初始种群,接着借鉴精英保留策略,用遗传算法的后续运算选出特征。以Sonar,WDBC,Arrhythmia,Hepatitis这四个数据集作为实验数据,用该方法分别选出它们的特征子集,再依据所选特征子集对原数据集降维,用1-最近邻分类器对降维后的样本分类,通过10重交叉验证法分别获得72.36%,95.64%,72.04%和87.83%的分类准确率,并且所需的迭代次数较少,特征选择的综合效果基本优于fisher score法(FS)、遗传算法(GA)和fisher score+遗传算法(FSGA)这3种对比方法,同时该方法能很好地剔除冗余特征,选出具有较高鉴别力的特征,是一种有效的特征选择方法。

关键词：特征选择 fisher score 遗传算法精英保留

基于fisher score的多标记特征选择算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Fisher Score的多标记特征选择算法研究

作者：汪正凯闽南师范大学

学位级别：硕士

在多标记学习中,由于丰富的标记结果需要由大量的特征属性描述,同时标记间自由组合的标记子集数量随着标记数量的增加而呈指数型增长,在样本有限的情况下导致只有少数标记子集具有样本描述且这些标记子集的平均覆盖样本数量较少,这表现... 详细信息

在多标记学习中,由于丰富的标记结果需要由大量的特征属性描述,同时标记间自由组合的标记子集数量随着标记数量的增加而呈指数型增长,在样本有限的情况下导致只有少数标记子集具有样本描述且这些标记子集的平均覆盖样本数量较少,这表现为多标记学习中的两个特点:特征维度高和不均衡学习,因此多数传统的单标记特征选择算法无法很好的直接应用到多标记学习任务中。本文以经典的fisher score单标记特征选择算法为研究对象,针对单标记fisher score算法在多标记学习中的局限进行研究,主要研究内容如下:（1）基于fisher score的多标记特征选择算法（MLFS）。针对多标记学习中无法直接对样本进行类别划分的情况,通过随机样本将多标记学习分解为多个单标记学习,结合标记间的余弦相似性度量标记间的关联信息,更新多标记学习中特征的fisher score值的计算公式。实验结果验证了MLFS算法的有效性。（2）基于标记相似性的多标记fisher score特征选择算法（LSMLFS）。针对MLFS算法中存在标记空间分解过程中的标记间关联信息损失问题,提出了一种度量标记间相似性的策略,以此计算随机样本的标记与样本空间的标记间的相似性,将相似性结果进行等距分箱,实现多标记学习到单标记学习的转化。实验结果验证了LSMLFS算法具有一定的有效性。（3）基于文本分类的fisher score快速多标记特征选择算法（TCMLFS）。针对fisher score算法性能容易受到类中极值样本的影响,提出了一种类中心偏移的策略,通过随机样本将标记进行分解,在标记下对样本空间进行分类,以每一类中样本到类中心的最远距离结合距离系数设为距离阈值,剪除到类中心距离大于距离阈值的样本,在更新后的样本空间中进行单标记的fisher score特征选择算法。实验结果表明TCMLFS算法相比MLFS、LSMLFS算法性能上有进一步的提升,同时讨论了TCMLFS算法的适用范围,确定了算法在文本类数据集中具有良好的效果,而在非文本类数据集中的效果较差。

关键词： fisher score 多标记学习特征选择类间散度标记相似性

改进的fisher score和超启发差分进化的特征选择方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

改进的Fisher Score和超启发差分进化的特征选择方法研究

作者：吴迪辽宁工程技术大学

学位级别：硕士

数据伴随着人们的生产生活不断涌现,数据量在不断升级,产生的领域也越来越广,且维度也越来越高,这对分析这些数据的有效方法提出了前所未有的挑战,由此产生了“维数诅咒”的概念,特征选择是解决维数问题的有效方法,特征选择开始展现出... 详细信息

数据伴随着人们的生产生活不断涌现,数据量在不断升级,产生的领域也越来越广,且维度也越来越高,这对分析这些数据的有效方法提出了前所未有的挑战,由此产生了“维数诅咒”的概念,特征选择是解决维数问题的有效方法,特征选择开始展现出越来越重要的作用是在上世纪90年代后,各种特征选择方法开始涌现,许多新的方法、新的思路层出不穷,对数据降维技术的发展起到了关键的作用。由fisher判别演化的fisher score是一种计算简单、快捷的特征选择算法,在人脸识别等很多领域表现突出。本文对fisher score进行了改进,首先是考虑到了传统fisher score在公式上无法完全度量出类间差异,加入考虑不同分布数据特点的思想,其次是在系数上做了调整,使得系数考虑了两类之间的重叠关系,之后又用最大互信息系数做了修正,最后在特征维数较少和较多的两类数据上进行了对比实验,参与比较的包括另外5种过滤准则和原始特征集,实验结果表明所提改进的有效性,即改进的fisher score对特征具有更好的辨识力,可以将对分类器来说更重要的特征度量出来。然而,这种过滤式的单变量特征选择方法具有一定的限制,即无法度量特征之间的冗余,同时也会将虽然得分很低却可能对分类很重要的特征排除,于是,本文从特征选择的本质——特征子集的寻优出发,引入了超启发式的搜索方法,将差分进化算法作为高层的启发式指导,设计度量当前特征子集的冗余性的适应度函数进行反馈,对低层设计的10种启发式策略进行选择,由于算法具有回溯性而使得每一次的迭代都考虑了特征的冗余性,最后在14个数据集上进行了对比实验,实验结果验证了超启发式差分进化特征选择算法具有很好的泛化性能,同时,由于高层的启发指导使得低层的启发策略具备了方向性,而在一定程度上减少了启发搜索的随机性。

关键词： fisher score 特征选择类间散度超启发式过滤式差分进化

基于fisher score和自适应邻域的特征选择方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Fisher Score和自适应邻域的特征选择方法研究

作者：张玖肖河南师范大学

学位级别：硕士

随着大数据技术的快速发展,数据维度呈指数增长,这些数据往往会增加存储负担,因此对这些数据进行预处理将变得更加迫切。特征选择主要通过恰当的搜索策略剔除不相关或冗余特征。算法训练和分类的时间会随着维数的增加而增加,从机器学习... 详细信息

随着大数据技术的快速发展,数据维度呈指数增长,这些数据往往会增加存储负担,因此对这些数据进行预处理将变得更加迫切。特征选择主要通过恰当的搜索策略剔除不相关或冗余特征。算法训练和分类的时间会随着维数的增加而增加,从机器学习角度来看,特征选择能够降低计算复杂度,减少计算时间。fisher score作为数据降维的一种重要的预处理方法,已经被广泛用于特征选择过程中。传统的特征选择方法往往存在着仅凭经验来手动确定参数、未考虑数据中类不平衡分布以及度量特征不确定方法过于单一等问题。粒计算理论在大规模不确定性数据、复杂高维数据和非平衡数据的特征选择上发挥着非常重要的作用。为了解决这些问题,运用机器学习模型及算法对复杂、高维、非平衡数据进行预处理,基于粒计算理论研究自适应邻域粒和自适应加权K近邻模型,进而设计基于fisher score和自适应邻域的特征选择方法,通过对比实验验证了所提算法的有效性。本文的主要研究内容包括两个方面:(1)为了解决传统邻域粗糙集模型中构造的邻域不能自适应数据分布、邻域粗糙集模型中没有结合实际情况仅凭经验指定邻域半径、以及度量特征重要度过于单一等问题,提出了一种基于fisher score和自适应邻域粗糙集的特征选择方法。首先,在邻域决策系统中,定义了样本的变异系数,基于此设计了特征的fisher score计算公式,构建了新的fisher score降维算法;其次,将决策类下特征变异系数引入邻域粗糙集模型中,定义了自适应邻域粒,解决邻域粒存在的误分类问题,由此构造下、上近似集及其自适应邻域粗糙集模型,结合自适应邻域模型中的依赖度、邻域知识粒度和平均邻域熵,提出了结合信息论观点和代数观点的混合度量;然后,指定邻域半径取值区间,结合约简子集平均相关度、分类精度和约简率计算自适应邻域半径函数,选出最优邻域半径,提出一种基于fisher score和自适应邻域粗糙集的启发式特征选择算法;最后,将该算法应用于14个公共数据集的特征选择研究,实验结果与分析验证了该算法的有效性。(2)为了解决传统特征选择算法未考虑数据中类不平衡分布,以及特征选择过程中往往需要手动确定参数等问题,提出了一种基于fisher score和自适应加权K近邻的非平衡数据特征选择方法。首先,定义样本间的相似性度量计算样本簇间相似性,构建了新的层次聚类算法,通过混合采样模型建立平衡决策系统,使用基于变异系数改进的fisher score算法进行初步降维;其次,根据改进的对称不确定性计算特征间相似性,自适应选择每个特征的K近邻,定义了特征间权重,提出了自适应加权K近邻,结合每个特征的自适应加权K近邻,计算每个特征的自适应加权K近邻密度进行特征聚类;然后,将改进的对称不确定性和特征的加权平均冗余度相结合,提出了基于对称不确定性的最大相关最小冗余策略,进而设计了一种结合fisher score降维的非平衡数据特征选择算法;最后,对29个不平衡数据集的实验结果分析表明,所设计的算法能够有效地提高数据的分类性能。

关键词：特征选择 fisher score 邻域粗糙集自适应邻域 K近邻非平衡数据

基于fisher score与最大信息系数混合模型的三电平逆变器故障特征选择方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电子设计工程 2023年第1期31卷 83-88页

作者：杜磊任晓红刘显策韩向栋俞啸兖州煤业股份有限公司兴隆庄煤矿山东济宁273500 中国矿业大学物联网(感知矿山)研究中心江苏徐州221008

针对三电平逆变器在特征提取时出现特征表达不一致和冗余问题,以提高三电平逆变器故障识别准确率为目的,提出一种基于fisher score与最大信息系数混合模型的三电平逆变器故障特征选择方法。该方法采用fisher score方法对原始特征集进行... 详细信息

针对三电平逆变器在特征提取时出现特征表达不一致和冗余问题,以提高三电平逆变器故障识别准确率为目的,提出一种基于fisher score与最大信息系数混合模型的三电平逆变器故障特征选择方法。该方法采用fisher score方法对原始特征集进行故障特征重要度排序,且利用最大信息系数对特征之间的相关性进行评价,进而对特征排序结果进行调整;以故障分类准确率为评判依据,基于随机森林算法对fisher score与最大信息系数混合模型进行修正,实现敏感故障特征筛选与分类;利用仿真和实验台的逆变器故障数据集进行实验,实验结果表明所提出的故障诊断模型准确率分别为93.3%和90.2%,与传统reliefF特征选择方法相比,所提出的特征选择方法筛选的敏感特征更有利于三电平逆变器故障诊断识别分类,故障识别准确率分别提高了2.1%和1.3%。

关键词：三电平逆变器 fisher score 特征选择最大信息系数随机森林

在线全文

学校读者我要写书评

暂无评论

利用表面肌电进行手势自动识别

西安交通大学学报 2020年第9期54卷 149-156页

作者：赵诗琪吴旭洲张旭李柄澄毛菁菁徐进西安交通大学生命科学与技术学院西安710049 西安交通大学生物医学信息工程教育部重点实验室西安710049 国家医疗保健器具工程技术研究中心广州510500

针对手势自动识别研究中提高正确率和降低训练时间两者需要同时兼顾的问题,提出了一种基于fisher score(FS)特征降维方法与机器学习相结合的新的手势识别模型。提取4通道表面肌电信号的时域、频域、时-频域和非线性特征,构成特征集;采... 详细信息

针对手势自动识别研究中提高正确率和降低训练时间两者需要同时兼顾的问题,提出了一种基于fisher score(FS)特征降维方法与机器学习相结合的新的手势识别模型。提取4通道表面肌电信号的时域、频域、时-频域和非线性特征,构成特征集;采用FS方法和主成分分析(PCA)方法分别进行特征降维,采用线性判别分析(LDA)和支持向量机(SVM)分别作为分类器;通过两种特征降维方法与两种分类器的不同组合构建不同的手势识别模型,并对分类模型的性能进行对比研究。实验结果表明,特征降维方法与分类器的组合能显著提高分类器的正确率、降低训练时间。与PCA方法相比,FS方法是一种实现简便、效果理想的特征降维方法:与SVM组合的分类模型获得最高分类正确率99.92%;与LDA组合的分类模型不仅获得99.24%的分类正确率,而且花费最短的训练时间1.44ms,该模型可为手势的实时自动识别提供理想的方法和途径。

关键词：表面肌电特征提取特征降维机器学习 fisher score