声明
摘要
1 前言
1.1 研究的背景
1.2 研究的目的及意义
1.3 国内外相关理论的发展现状
1.4 本文的主要结构
2 模式识别中的特征选择
2.1 类别可分性判据
2.1.1 基于类内类间距离的可分性判据
2.1.2 基于概率分布的可分性判据
2.1.3 基于熵的可分性判据
2.1.4 基于分类误差的可分性判据
2.1.5 类别可分性判据的应用
2.2 特征选择
2.2.1 特征选择的方法综述
2.2.2 几种典型的特征选择算法
2.3 总结
3 模式识别中的特征选择的评价
3.1 统计学习理论与支持向量机(SVM)算法简介
3.1.1 VC维
3.1.2 经验风险最小化与结构风险最小化原理
3.1.3 最优分类面
3.1.4 广义最优分类面
3.1.5 支持向量机(SVM)算法简介
3.2 特征选择的主要评价因素分析
3.2.1 特征之间的相关性
3.2.2 维数
3.2.3 误分率
3.2.4 类间边界距离
3.3 特征选择的评价准则
3.4 基于支持向量机特征选择评价应用于特征选择
3.5 特征选择评价简单应用举例
3.6 总结
4 特征选择评价应用于特征选择过程
4.1 基于特征选择评价进行特征选择的可行性
4.2 基于特征评价指标的遗传算法特征选择改进算法
4.2.1 遗传算法的产生与发展
4.2.2 遗传算法的基本思想
4.2.3 遗传算法的特点
4.2.4 遗传算法的基本操作
4.2.5 遗传算法的主要结构
4.2.6 编码设计
4.2.7 基于特征评价指标的遗传算法的适应度函数设计
4.2.8 改进方法的基本步骤
4.3 总结
5 算法的matlab实现及其应用实例
5.1 遗传算法的Matlab仿真
5.2 编码与初始化
5.3 交叉
5.4 变异
5.5 解码过程
5.6 适应度函数设计
5.7 选择
5.8 应用实例
5.8.1 适应度函数权重参数的确定
5.8.2 实例运行的结果
5.9 总结
6 总结和展望
6.1 总结
6.2 展望
参考文献
8 攻读硕士学位期间发表论文情况
致谢
附录