基于原型方法的特征选择算法的研究

摘要

特征选择是模式识别技术的关键技术环节之一。特征选择按照和后续分类算法的结合方式可分为嵌入式、过滤式和封装式。本文主要研究了单变量的过滤式特征选择算法。
　　本文首先引用了M.Dash和H.Liu提出的特征选择框架，这个框架指出一个特征选择算法是由“特征子集生成”、“特征子集评价”、“停止条件”和“结果验证”四个部分组成的。基于这个框架，本文总结归纳了常用特征选择算法的搜索策略和评价准则，并介绍了一些常用的特征选择算法，同时分析了选择合适的特征选择算法所需要考虑的因素。
　　由于模式识别、机器学习等问题的复杂性比较高，数据分布通常呈现多模态分布。基于这个假设，本文提出了一个基于原型方法的特征排序模型。该模型选择同原型内样本距离小的特征。并结合半监督学习问题的具体情况，提出了适用于半监督特征选择问题的Intra-Prototype Inter-Class Sepearability Ration(IPICSR)模型及其特征选择算法IPICSR_FS。试验结果表明基于原型方法的IPICSR_FS算法选择的特征有较强的鉴别能力，算法的鲁棒性好。试验取得较好的结果。
　　针对全监督特征选择问题的具体情况，在基于原型方法的思想指导下，本文详细分析了IPICSR模型，并提出了用于解决全监督特征选择问题的Intra-Prototype Class Margin Sepearability Ration(IPCMSR)模型及其特征选择算法。试验结果显示IPCMSR_FS选择特征的能力明显比其它四个特征选择算法要好。

目录

基于原型方法的特征选择算法的研究

RESEARCH ON PROTOTYPE BASED METHODS FOR FEATURESELECTION ALGORITHM

摘 要

Abstract

目 录

第1章 绪 论

1.1 课题背景及意义

1.2 特征选择的定义

1.3 特征选择研究的历史与现状

1.4 本文内容及组织

第2章 特征选择算法简介

2.1 特征选择算法的基本结构

2.2 常用的特征选择算法

2.3 特征选择算法的应用

2.4 本章小结

第3章 IPICSR 半监督特征选择模型及其特征选择算法

3.1 引言

3.2 IPICSR 半监督特征排序模型及其特征选择算法

3.3 实验及结果分析

3.4 本章小结

第4章 IPCMSR 全监督特征排序模型及其特征选择算法

4.1 IPICSR 模型特点

4.2 IPCMSR 全监督特征排序模型及其特征选择算法

4.3 试验结果及分析

4.4 本章小结

结 论

参考文献

攻读硕士学位期间发表的学术论文

哈尔滨工业大学硕士学位论文原创性声明

哈尔滨工业大学硕士学位论文使用授权书

致 谢