一种基于组策略的过滤式特征选择算法

MRMR算法具有快速、高效等优势,在处理高维数据方面较为流行。基于此,提出一种基于组策略的MRMR改进算法（MRMRE）,该算法不仅考虑单个特征属性的相关性与冗余性,同时针对特征组间的相互关系进行研究。算法以MRMR算法为框架,以CCA作为度量基准,选择SVMs作为基分类器,使其特征选择效果提升。在UCI机器学习数据库中图像与基因序列数据集上的大量实验表明：与MRMR算法相比,所提出的算法其特征选择结果具有更高的结果稳定性与分类精度。     

改进的最大相关最小冗余特征选择方法研究

特征选择方法作为重要的数据预处理工作一直受到各个领域的关注。在分析现有的特征选择方法的基础上,针对MRMR方法中存在的冗余度和相关性评价方法单一,不能根据用户需求设置特征维度等问题进行了改进。在冗余度计算过程提出一种新的简单快速的计算方法;在计算权重过程中提出针对不同数据选用不同的特征评价方法;引入新的目标评价函数来进行特征选择。在五个经典的用于生物认证领域的特征数据库（FERET、CASIA、ORL、PIE和扩展的YaleB）上验证了算法的有效性,实验结果充分证明了改进的最大相关最小冗余算法的优势。     

基于MRMR的文本分类特征选择方法

特征选择是文本分类技术中重要的处理步骤,特征词选择的优劣直接关系到后续文本分类结果的准确率。使用传统特征选择方法如互信息(MI)、信息增益(IG)、χ²统计量(CHI)等提取的特征词仍存在冗余。针对这一问题,通过结合词频-逆文档率(TF_IDF)和最大相关最小冗余标准(MRMR),提出了一种基于MRMR的特征词二次选取方法TFIDF_MRMR。实验结果表明,该方法可以较好地减少特征词之间的冗余,提高文本分类的准确率。     

A fast approach for detection of erythemato-squamous diseases based on extreme learning machine with maximum relevance minimum redundancy feature selection

In this paper, a novel hybrid method, which integrates an effective filter maximum relevance minimum redundancy (MRMR) and a fast classifier extreme learning machine (ELM), has been introduced for diagnosing erythemato-squamous (ES) diseases. In the proposed method, MRMR is employed as a feature selection tool for dimensionality reduction in order to further improve the diagnostic accuracy of the ELM classifier. The impact of the type of activation functions, the number of hidden neurons and the size of the feature subsets on the performance of ELM have been investigated in detail. The effectiveness of the proposed method has been rigorously evaluated against the ES disease dataset, a benchmark dataset, from UCI machine learning database in terms of classification accuracy. Experimental results have demonstrated that our method has achieved the best classification accuracy of 98.89% and an average accuracy of 98.55% via 10-fold cross-validation technique. The proposed method might serve as a new candidate of powerful methods for diagnosing ES diseases.     

一种基于预排序的贝叶斯网络结构学习算法

贝叶斯网络结构学习对贝叶斯网络解决实际问题至关重要.基于评分与搜索的方法是目前比较常用的结构学习方法,但该类方法中结构搜索空间的大小随结点个数增加而指数增长,因此一般采用启发式搜索策略,有些方法还需要结点次序.在基于结点次序的最大相关-最小冗余贪婪贝叶斯网络结构学习算法中,由于是随机产生初始结点的次序,这增大了结果的不确定性.本文提出一种生成优化结点初始次序的方法,在得到基本有序的结点初始次序后,再结合近邻交换算子进行迭代搜索,能够在较短的时间内得到更加正确的贝叶斯网络结构.实验结果表明了该方法的有效性.     

基于全连接神经网络的压铸件质量预测算法

目的 针对复杂压铸制造过程中高精度监控和质量预测问题,构建全连接神经网络,以提高压铸件缺陷分类和预测的准确性及高效性。方法 提出了一种基于全连接神经网络的算法,用于压铸件的质量预测。以汽车发动机下缸体为研究对象,先通过压铸岛采集关键工艺数据,后通过异常值处理和数据归一化进行数据预处理,再采用最小冗余和最大相关性的启发式算法（MRMR）进行特征处理,选出对压铸件质量影响较大的5个参数,该算法以3个压射速度、真空度、动模流量为输入层参数,以铸件质量为输出层参数。最后确定该算法的结构及各个参数,进行模型的训练与构建,并与不同算法进行性能比较。结果 与传统的决策树、SVM算法相比,该算法在相同数据集的分类和预测性能方面均更优,表明全连接神经网络在预测压铸缺陷方面具有优势。结论 该算法在实际应用中具有很大的潜力,证明全连接神经网络在预测能力和精度方面具有优势,可以为数据分类和预测提供更好的解决方案。