基于双模糊信息的特征选择算法

在对传统特征选择算法进行研究的基础上,提出了一种基于双模糊信息的特征选择算法(feature selection algorithm based on doubly fuzziness information,FSA-DFI)。第一种模糊体现在对最小学习机(least learning machine,LLM)进行模糊化后得到模糊最小学习机(fuzzy least learning machine,FUZZYLLM)中;另一种模糊则是在基于贡献率模糊补充这一方法中体现的,其中贡献率高的特征才可能被选入最终的特征子集。算法FSA-DFI是将FUZZY-LLM和基于贡献率的模糊补充方法结合得到的。实验表明,和其他算法相比,所提特征选择算法FSA-DFI能得到更好的分类准确率、更好的降维效果以及更快的学习速度。     

模糊粗糙神经网络特征选择方法研究

实际采集的数据中往往存在模糊不确定性和粗糙不确定性,为全面度量数据的不确定性,引入了模糊粗糙集中的模糊粗糙隶属函数概念,并结合容错能力较强的神经网络设计了一种新的模糊粗糙神经网络.该网络不仅训练速度快,且具有较好的分类效果.利用该网络设计了一种新的特征选择算法,根据精度下降指标对输入节点进行结构修剪,实现最优特征子集的搜索.通过UCI数据集实验,并与RBF网络选择结果进行比较,表明该算法具有精度高、速度快、泛化性能好等优点,是有效的.     

模糊特征选择新算法：Ⅱ*

用模糊似然函数计算类内及类间距离，得到任意特征子集的模糊特征特征选择系数，用于特征子集的选择，从而得出最能区分和表征模式类的特征子集。举例说明了该方法的具体用法，表明具有好的实用性。     

基于模糊网络的防车追尾控制器

解决防车追尾问题时,传统方法在于精确建模,跟实际情况往往不相符;采用模糊控制方法整体上符合刹车情况,但隶属度函数难以确定.为了解决以上问题,提出了模糊网络控制模型.详细介绍模糊网络模型的结构、各节点的运算关系,并给出该模型的使用方法.设计汽车刹车力度控制规则表,采用模糊网络设计防车追尾控制器.通过仿真结果可以看出,跟传统的模糊控制方法相比,模糊网络模型能够解决隶属度函数不容易确定的问题,生成的曲面光滑,能很好地满足防车追尾控制器的要求.     

模糊网络计划工期成本优化方法

工程项目管理中项目工期的确定包括许多不确定因素,传统的网络计划方法不能解决此类不确定问题,基于模糊集合理论对工程项目工期的不确定性进行了分析论证,将三角模糊数引入到项目工期分析中,给出了工期的隶属度函数。建立一个基于遗传算法的工期一成本综合模糊优化模型,将模糊理论和遗传算法结合起来,提出一种模糊网络计划的工期一成本问题的优化方法。实验结果表明,该方法对模糊网络计划的工期一成本的优化有一定的灵活性和适应性。     

一种神经模糊系统模型

本文提出一种神经模糊系统模型,其中模糊规则前件用π隶属函数(形状类似于三角形隶属函数,但具有平滑性)表达,给出了类似于BP的参数学习算法.对于平滑函数近似问题的仿真结果表明,与模糊规则前件使用三角形隶属函数的神经模糊系统模型相比,本文提出的模型具有学习过程更加稳定平滑和逼近误差小的优点.对这两种模型性能上的差异做了定性解释.     

基于模糊聚类分析的模糊神经网络结构的优化

该文讨论了模糊聚类分析在模糊神经网络结构的确定中的应用。通过将模糊C－均值算法、有效性函数和模糊指数相结合,给出了模糊神经网络结构确定的方法,并且给出了应用该算法具体的模糊神经网络模型。     

双重特征加权模糊支持向量机

针对当前基于特征加权的模糊支持向量机(FSVM)只考虑特征权重对隶属度函数的影响,而没有考虑在样本训练过程中将特征权重应用到核函数计算中的缺陷,提出了同时考虑特征加权对隶属度函数和核函数计算的影响的模糊支持向量机算法——双重特征加权模糊支持向量机(DFW-FSVM).首先,利用信息增益(IG)计算出每个特征的权重;然后...     

基于模糊综合评判的网络认知模型

针对传统传输控制协议(TCP)应用于异构网络的局限性,提出了一种基于模糊综合评判的网络认知模型。该模型通过建立隶属度函数和不同网络环境下的动态权重分布,运用模糊综合评判的方法来区分无线误码丢包和网络拥塞丢包。仿真实验证明：与传统TCP协议相比,该模型在不同的网络条件下,能够较准确地区分无线误码丢包和网络拥塞丢包,提高了TCP的吞吐量,改善了网络性能。     

数字信号的模糊检测

从实际检测器的检测特性的观点出发,提出了基于模糊集合划分的数字信号双阈值检测准则。根据此准则,设计了一种相应的模糊检测器结构。这种模糊检测器不仅误码率低,而且不需要时钟信号,因而有利于提高传输速率和可靠性。     

Feature Selection Using Probabilistic Neural Networks

Selection of input variables (features) is a key stage in building predictive models. As exhaustive evaluation of potential feature sets using full non-linear models is impractical, it is common practice to use simple fast-evaluating models and heuristic selection strategies. This paper discusses a fast, efficient, and powerful non-linear input selection procedure using a combination of probabilistic neural networks and repeated bitwise gradient descent with resampling. The algorithm is compared with forward selection, backward selection and genetic algorithms using a selection of real-world data sets. The algorithm has comparative performance and greatly reduced execution time with respect to these alternative approaches.     

基于特征关联性的特征选择算法研究

从特征与特征、特征与类的关联性出发,说明了非搜索性特征选择的原理及相关算法。     

基于神经网络和CFS特征选择的网络入侵检测系统

本文提出了一种新型的基于CFS特征选择和神经网络的高效入侵检测模型。通过使用该模型对经过特征提取后的攻击数据的训练学习,可以有效地识别各种入侵。在经典的KDD Cup 1999入侵检测数据集上的测试说明,该模型能够高效地对攻击模式进行训练学习,从而正确有效地检测网络攻击。     

基于分类间隔的特征选择算法

对于二类目标特征选择问题,首先讨论了特征空间的线性可分性问题,并给出了其判别条件;其次,通过借鉴支撑矢量机原理,分析了特征可分性判据的基本性质;最后,依据各特征对分类间隔的贡献大小定义了特征有效率,并以此进行特征选择和特征空间降维.实测数据与网络公开UCI(University of california,Irvine)数据库的实验结果表明,与经典的Relief特征选择算法相比,该算法在识别性能和推广能力上明显有所提高.     

基于特征分组和PSO的特征选择算法

在高维小样本数据的特征选择中,样本的变化会导致最终选出的特征呈现不稳定的特点。针对这种情况,提出了一种新的特征选择算法。首先通过计算特征间的互信息以确定特征关联性的强弱,依据将特征间的关联性强弱将特征分为不同的组,待分组完成后,使用粒子群算法对特征进行选择,并对少部分粒子进行随机扰动,避免粒子陷入局部最优。选择完成后的特征进行集成,得到最终特征子集。结合5个公开数据集进行实验,该算法的特征维度平均降低77.5%。与现有的方法比较,得到的结果在稳定性方面平均提高了4.0%。     

基于GPU的文本特征选择与特征加权

通过对GPU通用计算与文本分类的研究,提出了一种基于GPU的文本特征选择与加权方法。首先介绍了文本分类中常用的特征选择方法和特征加权方法,并在GPU上实现了其中的DF(文档频率)方法和TFIDF方法。实验结果显示,利用提出的并行特征选择与加权方法能能有效的提高特征选择与加权过程的速度。     

基于特征选择的字符识别

特征选择问题是机器学习和模式识别中的一个重要问题。其本质上是一个多因素优化问题。该文将试验设计与多因素优化问题联系起来,利用正交试验设计的统计特性,从特征集中筛选有效鉴别特征子集。在南京理工大学NUST603HW手写汉字库以及Concordia大学的CENPARMI手写体阿拉伯数字数据库上的试验结果表明,所提出的特征选择方法不仅提高了识别率,而且识别结果十分稳定。     

基于节点度中心性的无监督特征选择

特征选择方法可以从成千上万个特征中选择合适的少量特征,使模型更加有效、高效。本文考虑到真实场景下高维数据集中特征之间互相关联以及使用复杂网络结构描述特征空间的全局性与合理性,提出无监督场景下的基于复杂网络节点度中心性的特征选择方法。根据特征间的相关性大小,设定阈值选择保留符合要求的关联;再利用保留的关联生成以特征为节点的无向无权重网络结构;最后以衡量节点度中心性的方法筛选此网络中影响力最大的节点集,亦即最优特征子集。本文方法为处理特征重要性及特征冗余增加了灵活性。采用对比实验,将本文方法与常用特征选择或特征提取方法在多个高维数据集上进行性能比较。实验分析结果表明此方法的有效性以及普适性。     

基于图的特征选择算法

针对数据挖掘与模式识别领域中的高维数据处理问题,通过分析样本类间距离与类内距离,给出一种基于图理论的特征排序框架。根据该框架,提出使用类内-类间和K近邻相似度定义的2种快速特征选择算法,能避免复杂度较高的广义特征分解过程。实验结果表明,该算法具有较高的分类精度。