遗传与互信息混合算法用于水声目标特征选择

特征选择是目标分类的一项重要步骤，直接影响到分类器的设计和性能。本文利用实际水声目标辐射噪声数据，对遗传算法和互信息算法两种特征选择方法分别作了分析。在特征维数较大的情况下，两种方法都需要很长的计算时间，为此，提出一种遗传与互信息混合算法，旨在降低计算时间。最后，分类器用三种选择后的特征子集作为输入进行分类，并与任意选择的特征子集作为输入的分类结果作了比较。     

SAR图像特征提取与选择研究

特征提取与选择是SARATR的关键技术之一.通过特征提取与选择可以有效地降低数据空间的维数,从而实现对SAR图像的快速、准确解译.本文首先给出特征提取与选择问题的定义及其研究现状,进而对当前常见的特征提取与选择方法进行总结.在此基础上,给出各算法的选取标准.最后探讨了特征提取与选择过程的发展趋势.     

基于CHI与遗传算法的特征选择

在基于Web文本信息过滤系统中通过特征选择找到的最优特征子集直接影响到分类的速度及精度。针对此问题，提出了综合CHI及遗传算法的特征选择方法。首先针对原始特征集，采用CHI统计法进行初始筛选，去除冗余特征及噪声后，对得到的特征子集再采用遗传算法进行第二次特征选择，从而得出代表问题空间的最优特征子集，实现降维并提高了分类精度。     

对海雷达目标识别中全极化HRRP的特征提取与选择

充分、有效地利用目标全极化HRRP的特征信息是提高对海雷达目标识别率的研究热点之一。该文利用CST软件仿真建立了7类海上目标在不同方位角下的全极化HRRP数据库。在此基础上,提取了4类共39个特征。提出一种基于归一化互信息(NMI)并利用模拟退火(SA)算法进行优化的全局最优特征选择算法,并命名为NMI-SA。基于HRRP数据集以及9个UCI数据集,利用k-近邻分类器将该算法与另外3种常用的特征选择算法进行对比,结果表明新算法选择的特征具有良好的可分性和较低的冗余度,最终用于分类时的正确率总体优于其余3种算法。最后,用该算法对全极化HRRP的39个特征进行重点分析,选择出25个辨别力强、冗余度低的特征。     

低空飞行声目标特征提取技术研究

传统特征提取方法大多是在对信号进行假设的前提下进行运算.近年来,不依赖信号的性质,对输入信号不做任何假设和限制的听觉感知特征提取方法引起广泛关注.本文对低空目标识别系统中的特征提取技术进行系统介绍.首先概述了外常用的特征提取技术,其次介绍了入耳对声信号的辨识过程及声学效应,在此基础上分析了基于人耳听觉系统的特征提取方法.最后,在总结现有方法的基础上,分析了目前尚存在的主要技术难题.     

水下高速目标声谱图特征提取及分类设计

为了增加水下高速目标的识别特征维度,优化识别效果,该文设计了一种基于目标辐射噪声高速特征量(High Speed Characteristic Quantity, HSCQ)的分类方法。首先,针对水下高速目标辐射噪声的DEMON(Detection of Envelope Modulation On Noise)谱特征进行分析,根据DEMON谱的频率可分性,定义了DEMON谱调制分布比(Modulation Distribution Ratio, MDR)。然后,根据水下高速目标辐射噪声的功率谱历程图直纹特征,应用图像边缘检测、线谱生长等理论进行特征提取,并分析了功率谱历程图的直纹特征量(Straight-line Characteristic Quantity of Spectrum, SCQS)。最后,根据2种特征量的实测信号分析结果,定义了目标辐射噪声的HSCQ,实现了一种新的水下高速目标分类方法。实测信号分析结果显示,采用MDR或SCQS进行单特征量分类,非高速目标的误报率分别为21.4%和16.3%;采用HSCQ进行分类,非高速目标的误报率仅为4.1%。     

水下目标信号特征提取与采集研究

提出了基于子波变换的辐射噪声特征提取方法，据此获得了水下目标的有效频率分布范围，为水下目标信号采集器的设计确定了频率范围，同时介绍了水下目标信号采集器的硬件结构、实现方法和实验结果。     

高维多目标优化中基于稀疏特征选择的目标降维方法

目标降维算法通过去除冗余的目标达到简化问题规模的目的,为求解高维多目标优化问题提供了一种新的思路和方法.近似解集的几何结构特征和Pareto占优关系从不同侧面反映了多目标优化问题的内在结构特性,而现有算法仅利用其中一种特征分析目标之间的关系,具有较大局限性.本文提出基于稀疏特征选择的目标降维方法,该方法利用近似解集的几何结构特征构建稀疏回归模型,求解高维目标空间映射为低维目标子空间的稀疏投影矩阵,依据此矩阵度量目标的重要性,并利用Pareto占优关系改变程度选择满足误差阈值的目标子集,实现目标降维.通过与其他已有目标降维算法比较,实验结果表明本文提出的降维算法具有较高的准确性,并且受近似解集质量的影响较小.     

基于高光谱图像特征提取与凸面几何体投影变换的目标探测

在介绍凸面几何体概念和高光谱图像光谱线性模型的基础上,探讨了凸面几何体和高光谱图像的关系,提出了在光谱特性提取的基础上利用凸面几何体投影变换进行高光谱图像目标探测的方法,并成功地应用于亚运村建材市场屋顶板材和亚运村中心地区真假草坪的自动识别和探测中．试验证明该方法不需要探测目标的任何先验知识就能达到比较好的目标探测效果．同时试验还表明．由于高光谱图像波谱范围宽,特别是有短波红外、中红外和热红外范围的图像,不仅增加了地物的可分性,而且为探测地物物理性质提供了可能。     

基于遗传算法的网络信息过滤系统中的特征选择

随着Intemet在全世界的应用和普及，网络跟人们的生活越来越紧密，人们在使用网络的同时，不可避免地接触到大量的不良信息，为了过滤网络信息，出现了网络信息过滤。本文首先采用向量空间模型表示文本，给出了一个基于遗传算法的文本特征选择方法。同时为了克服遗传算法所存在着的收敛速度慢、易陷入局部最优等缺陷，文中采用了候选特征子集，并增加了一个扩展操作。最后，通过实验验证了该方法的有效性。     

水下目标识别的特征融合分类器设计

本文对水下目标识别中的特征融合技术进行了研究,讨论了特征融合技术中的问题和解决途径,并给出了特征融合分类器的特性;设计了模糊融合分类器,给出了具体的算法.该分类器对样本在模式空间中的分布不做任何假定,注重类别间的相互约束,强调各个模式的独立作用,用类似于模糊并运算的方式综合这些作用.在实际应用中,通过与已有的分类器比较,表明模糊融合分类器能够综合多种信号特征,有效地提高了分类性能.     

基于聚类的特征选择方法

 本文提出了一种度量特征区分度的定义,进而提出一种基于聚类的特征选择方法CBFS.该方法时间复杂度与数据集的大小和特征个数成近似线性关系,适合于大规模数据集中的特征选择;该方法对数据类型没有限制,适用于混合类型数据.在UCI数据集上的实验结果表明,与文献中的方法相比,本文方法具有较好的性能,说明提出的特征选择方法是有效和实用的.     

基于优先级的入侵特征提取方法

论文提出了一种基于优先级的入侵特征提取方法,在特征提取前,首先计算各个特征的优先级,然后选择优先级符合条件的特征进行提取,并且只处理这些特征所对应的数据包。理论分析和实验结果表明,与传统的特征提取方法相比,论文提出的方法能够节约CPU的处理时间。     

弹道目标宽带极化特征提取分析

针对弹道目标的极化高分辨一维距离像,研究宽带极化特征提取算法,分析所提取特征表征的目标散射特性及其在目标分类识别中的应用。通过弹道目标全极化高分辨一维距离像,构建极化散射矩阵,估计弹道目标的极化相干矩阵,再对其进行Cloude分解,提取H/α/A/P特征,依此对目标各散射中心的散射机理进行判定,同时分析各特征对于弹道目标可分性的强弱,利用SVM算法进行分类识别,同时考虑了信噪比对识别结果的影响,用仿真实验验证了算法的有效性。     

基于微粒群算法和支持向量机的特征子集选择方法

在模式分类系统中,大量无关或冗余的特征往往会降低分类器的性能,因此需要特征选择.本文提出了基于离散微粒群(BPSO)和支持向量机(SVM)封装模式的特征子集选择方法,首先随机产生若干种群(特征子集),然后用BPSO算法对特征进行优化,并用SVM的10阶交叉验证结果指导算法的搜索,最后选出最佳适应度的子集对SVM进行训练.两个UCI机器数据集(户外图像和电离层)的实验结果表明了提出算法的有效性.     

高分辨率SAR图像机动目标纹理特征提取与分析

该文基于高频区目标散射中心理论分析了高分辨率SAR图像机动目标和自然地物后向散射特性的差异,探讨了两类目标纹理现象产生的机理,并在此基础上,分别基于局部统计量和分形模型提取机动目标的纹理特征,给出了鉴别特征优选方法。文中利用MSTAR的车辆目标实测数据检验了该文计算的纹理特征,给出纹理特征优选结果以及各纹理特征鉴别的性能,结果表明该文提取的纹理特征具有较好的鉴别性能,能消除大部分自然地物产生的虚警。     

网络流量特征选择方法中的分治投票策略研究

特征选择作为机器学习过程中的预处理步骤,是影响分类性能的关键因素.网络流量具有数据量大,特征维度高的特点,如何快速提取特征子集,并提高分类效率对于基于机器学习的流量分类方法具有重要意义.本文提出基于分治与投票策略的特征提取方法,将数据集分裂为多个子集,分别执行特征提取算法,利用投票方法获得最后的特征子集.实验表明可有效提高特征提取的时间效率,同时使分类器取得良好的分类准确率.     

面向分类的流特征在线特征选择算法

在线流特征选择通过实时过滤无关特征和冗余特征,实现流特征空间降维.针对已有算法,如Alpha-investing分类精度低、SAOLA选择特征数多和OSFS在低冗余高相关数据集下运行时间长的问题,提出了一种面向分类的流特征在线特征选择算法——OSFIC.算法运用四层过滤框架,通过无条件独立过滤不相关新特征、单条件下互信息过滤冗余新特征和候选特征集合中的部分冗余特征,最后通过多条件独立过滤候选特征集中的剩余冗余特征,最终得到分类标签的近似马尔可夫毯.为了分析OSFIC的性能,选择了NIPS 2003和Causality Workbench中的数据集,从预测精度、特征数量、运行时间和AUC方面与已有基准算法进行比较.实验表明,OSFIC平均分类精度比Alpha-investing提升4.41%.在保证精度的前提下,平均特征数量比SAOLA减少41.9%,运行时间比OSFS减少91.59%.最后,在真实的应用场景下验证了OSFIC的有效性.     

基于粗糙集粒子群支持向量机的特征选择方法

将Filter型粗糙集属性约简方法与PSO‐SVM方法相结合,提出一种新的粗糙集粒子群支持向量机（RS‐PSO‐SVM ）特征选择方法。给出了该方法的特征选择具体步骤,并对比分析了所提方法的性能。仿真实验表明：提出的RS‐PSO‐SVM特征选择方法是有效的,在保证所选特征集为最优情况下,极大地缩短所用时间,可以将其应用在多维数据的特征选择中。