基于特征选择的相对k子凸包分类方法

发布时间：2018-06-12 03:33

  本文选题：相对k子凸包分类 + 自适应　； 参考：《数据采集与处理》2017年05期

【摘要】：k子凸包分类方法在实际问题中有广泛应用。但随着问题维数的增加,该方法计算得到的凸包距离非常接近甚至相等,这严重影响了分类性能。针对此问题,本文设计了一种基于特征选择的相对k子凸包分类方法。首先根据绝对凸包距离存在的不足引入相对k子凸包距离,然后在k邻域内利用判别正则化技术进行特征选择,并将特征选择融入相对k子凸包优化模型中,为每个测试样本在不同的类别中学习一个自适应的特征子集,从而得到一个用于分类的有效相对k子凸包距离。实验结果表明,该方法不仅能够进行特征选择,而且分类性能也有了明显提高。
[Abstract]:K-subconvex hull classification method is widely used in practical problems. However, with the increase of the dimension of the problem, the convex hull distance calculated by this method is very close to or even equal, which seriously affects the classification performance. To solve this problem, a relative k-subconvex hull classification method based on feature selection is proposed. Firstly, the relative k-subconvex hull distance is introduced according to the deficiency of absolute convex hull distance, then the feature selection is carried out by discriminant regularization technique in the k-neighborhood, and the feature selection is incorporated into the relative k-subconvex hull optimization model. An adaptive feature subset is learned for each test sample in different categories to obtain an effective relative k-subconvex hull distance for classification. The experimental results show that this method can not only select features, but also improve the classification performance.
【作者单位】： 内江师范学院数学与信息科学学院;数据恢复四川省重点实验室;
【基金】：国家自然科学基金(10872085)资助项目 四川省科技厅科技计划重点项目基金(2017JY0199)资助项目 内江师范学院自然科学重点项目基金(12NJZ03)资助项目
【分类号】：TP18

【相似文献】

相关期刊论文 前10条

1 李云;;稳定的特征选择研究[J];微型机与应用;2012年15期

2 钱学双;多重筛选逐步回归特征选择法及其应用[J];信息与控制;1986年05期

3 王新峰;邱静;刘冠军;;基于特征相关性和冗余性分析的机械故障特征选择研究[J];中国机械工程;2006年04期

4 张葛祥;金炜东;胡来招;;满意特征选择及其应用[J];控制理论与应用;2006年01期

5 蒋盛益;王连喜;;基于特征相关性的特征选择[J];计算机工程与应用;2010年20期

6 张禹;刘云东;;基于相容粒的特征选择[J];宿州学院学报;2011年02期

7 牟廉明;;k子凸包分类方法[J];山西大学学报(自然科学版);2011年03期

8 付涛;;基于特征选择的多示例学习算法研究[J];科技通报;2013年08期

9 李丽娜;欧阳继红;刘大有;高文杰;;一种结合特征选择和链接过滤的主动协作分类方法[J];计算机研究与发展;2013年11期

10 桑农;谢衍涛;高如新;张天序;;神经模糊网络特征选择[J];模式识别与人工智能;2006年06期

相关会议论文 前1条

1 万京;王建东;;一种基于新的差异性度量的ReliefF方法[A];2009年研究生学术交流会通信与信息技术论文集[C];2009年

相关博士学位论文 前6条

1 代琨;基于支持向量机的网络数据特征选择技术研究[D];解放军信息工程大学;2013年

2 杨峻山;生物组学数据的集成特征选择研究[D];深圳大学;2017年

3 刘波;组稀疏子空间的大间隔特征选择[D];重庆大学;2013年

4 王瑞;针对类别不平衡和代价敏感分类问题的特征选择和分类算法[D];中国科学技术大学;2013年

5 姚兰;支持向量机特征选择中的L_p正则化方法研究[D];湖南大学;2014年

6 倪彤光;基于迁移学习的特征选择与分类方法及其应用研究[D];江南大学;2015年

相关硕士学位论文 前10条

1 周瑞;基于支持向量机特征选择的移动通信网络问题分析[D];华南理工大学;2015年

2 季金胜;高分辨率遥感影像典型地物目标的特征选择及其稳定性研究[D];上海交通大学;2015年

3 王维智;基于特征提取和特征选择的级联深度学习模型研究[D];哈尔滨工业大学;2015年

4 徐冬;基于特征选择的入侵检测方法研究[D];吉林大学;2016年

5 肖丽莎;半监督特征选择关键技术研究[D];西南交通大学;2016年

6 李昌;概率特征选择分类向量机[D];中国科学技术大学;2016年

7 谭蕴琨;面向稀疏数据的在线学习特征选择方法研究[D];华南理工大学;2016年

8 蔡亚萍;结合标记相关性的多标记特征选择及分类算法研究[D];南京师范大学;2016年

9 陈东方;复杂数据分类方法及其应用研究[D];天津大学;2014年

10 吕洋;基于脑MR影像不对称性特征的痴呆症早期诊断方法研究[D];重庆大学;2016年

，

本文编号：2008122