本文選題：特征選擇 + 視覺注意�。� 參考：《鄭州大學(xué)》2017年碩士論文

【摘要】：在大數(shù)據(jù)的時代背景下,為了從超大規(guī)模的高維數(shù)據(jù)中快速獲取有效信息,特征選擇至關(guān)重要也備受關(guān)注�；谔卣鞣纸M的特征選擇方法由于其兼顧了最大化特征與類別之間的相關(guān)程度和最小化特征間的冗余度的優(yōu)勢而被廣泛接受,而視覺注意機(jī)制的顯著性計算方式與特異性處理機(jī)制又對分組排序特征選擇方法產(chǎn)生了奇妙的啟發(fā)。本文受這種啟發(fā)影響,分別模擬其對相關(guān)信息的特異性處理策略和對顯著信息的顯著性計算策略,形成分組排序的新思路,提出分組排序特征選擇(Grouped Sorting Feature Selection,GSFS)算法。首先從特征分組和排序過程與視覺注意機(jī)制兩種策略的相似性入手,介紹GSFS算法與視覺注意機(jī)制的模擬—啟發(fā)關(guān)系,結(jié)合特征分組和排序指標(biāo)的介紹,確定基于最大信息壓縮指數(shù)和Fisher分?jǐn)?shù)的GSFS算法并詳述其基本原理,構(gòu)建合適的最佳分組數(shù)目確定準(zhǔn)則和最優(yōu)特征子集確定準(zhǔn)則并實現(xiàn)了算法流程。隨后在8個不同維度,不同類別數(shù)的標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行了分類實驗和去冗余效果測評,通過和6種經(jīng)典特征選擇算法的實驗結(jié)果對比說明GSFS算法選出的最優(yōu)特征子集分類能力優(yōu)良且所含冗余信息最少,從而證明了GSFS算法在解決特征選擇問題時的有效性。在GSFS算法的理論基礎(chǔ)上,為進(jìn)一步解決高維數(shù)據(jù)集特征選擇中計算復(fù)雜度較高的問題,又提出基于分布式處理的分組排序特征選擇(Distributed Processing based Grouped Sorting Feature Selection,DP_GSFS)算法。它采用將原始特征集均分的方式,減少特征對之間相關(guān)性度量的計算復(fù)雜度以提高計算效率。在6個標(biāo)準(zhǔn)數(shù)據(jù)集上的分類實驗和去冗余效果測評分別驗證了DP_GSFS算法分類能力和去冗余效果的基礎(chǔ)上,兩種算法的對比實驗結(jié)果表明DP_GSFS算法僅需設(shè)置合適的分組數(shù),就可以顯著降低計算時間,由此證明了其在提高計算效率方面的作用,這也可以為將來超大規(guī)模海量數(shù)據(jù)集的快速分析處理提供有價值的參考。另外,本文還將算法應(yīng)用在真實醫(yī)學(xué)圖像特征數(shù)據(jù)集上,特征選擇的效果和分類結(jié)果也證明了其解決實際問題的能力。
[Abstract]:In the background of large data age, feature selection is very important to obtain efficient information quickly from large scale data. Feature selection based on feature packet is widely accepted because it takes into account the degree of correlation between maximum features and the degree of redundancy between categories and minimization of features. The remarkable calculation method of visual attention mechanism and the specific processing mechanism also have a wonderful inspiration for the selection method of grouping sorting feature. This paper is influenced by this kind of inspiration, and simulates the specific processing strategy of the related information and the significant calculation strategy of the significant information, forming a new idea of grouping sorting and putting forward the grouping. The Grouped Sorting Feature Selection (GSFS) algorithm is first introduced from the similarity between the two strategies of the feature grouping and the sorting process and the visual attention mechanism, and the simulation and heuristic relationship between the GSFS algorithm and the visual attention mechanism is introduced, and the maximum information compression index and Fi are determined based on the introduction of the feature grouping and sorting index. The basic principle of the GSFS algorithm for Sher fraction is described in detail, and the appropriate criteria for determining the optimal number of groups and the optimal subset selection criteria are constructed and the algorithm flow is realized. Then, the classification experiments and redundant fruit evaluation are carried out on the standard data sets of 8 different dimensions and different categories, and the 6 classic feature selection algorithms are adopted. The comparison of the experimental results shows that the optimal subset selection of the GSFS algorithm is excellent and the redundant information is the least, which proves the validity of the GSFS algorithm in solving the problem of feature selection. On the basis of the theory of GSFS algorithm, the basis of the algorithm is to further solve the problem of high computational complexity in the feature selection of high dimensional data sets. The Distributed Processing based Grouped Sorting Feature Selection, DP_GSFS) algorithm in distributed processing. It reduces the computational complexity of the correlation measurement between the feature pairs and improves the computational efficiency by equifying the original feature set to improve the computational efficiency. The classification experiment and the redundant effect on the 6 standard data sets On the basis of verification of the classification ability and the deredundancy effect of the DP_GSFS algorithm, the comparison experiment results of the two algorithms show that the DP_GSFS algorithm only needs to set the appropriate number of packets, which can significantly reduce the calculation time, thus proving that the algorithm is used to improve the computational efficiency. This can also be a large scale of large scale data in the future. The fast analysis processing of set provides valuable reference. In addition, this paper also applies the algorithm to the feature dataset of real medical images. The effect of feature selection and classification results also prove its ability to solve practical problems.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 何勁松,施澤生;特征選擇方法中的信號分析方法研究[J];中國科學(xué)技術(shù)大學(xué)學(xué)報;2001年01期

2 孫霞;鄭慶華;;一種面向非平衡數(shù)據(jù)的鄰居詞特征選擇方法[J];小型微型計算機(jī)系統(tǒng);2008年12期

3 蔣盛益;鄭琪;張倩生;;基于聚類的特征選擇方法[J];電子學(xué)報;2008年S1期

4 王加龍;朱顥東;;結(jié)合類別相關(guān)性和辨識集的特征選擇方法[J];微型機(jī)與應(yīng)用;2009年23期

5 朱顥東;周姝;鐘勇;;結(jié)合差別對象對集的綜合性特征選擇方法[J];計算機(jī)工程與設(shè)計;2010年03期

6 姜慧研;柴天佑;;基于可信間隔的特征選擇方法研究[J];控制與決策;2011年08期

7 姚旭;王曉丹;張玉璽;權(quán)文;;特征選擇方法綜述[J];控制與決策;2012年02期

8 王志昊;王中卿;李壽山;李培峰;;不平衡情感分類中的特征選擇方法研究[J];中文信息學(xué)報;2013年04期

9 張玉紅;周全;胡學(xué)鋼;;面向跨領(lǐng)域情感分類的特征選擇方法[J];模式識別與人工智能;2013年11期

10 李敏;卡米力·木依丁;;特征選擇方法與算法的研究[J];計算機(jī)技術(shù)與發(fā)展;2013年12期

相關(guān)會議論文 前6條

1 徐燕;王斌;李錦濤;孫春明;;知識增益：文本分類中一種新的特征選擇方法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

2 肖婷;唐雁;;文本分類中特征選擇方法及應(yīng)用[A];2008年計算機(jī)應(yīng)用技術(shù)交流會論文集[C];2008年

3 徐燕;孫春明;王斌;李錦濤;;基于詞條頻率的特征選擇算法研究[A];中文信息處理前沿進(jìn)展——中國中文信息學(xué)會二十五周年學(xué)術(shù)會議論文集[C];2006年

4 陳慶軒;鄭德權(quán);鄭博文;趙鐵軍;李生;;中文文本分類中基于文檔頻度分布的特征選擇方法[A];黑龍江省計算機(jī)學(xué)會2009年學(xué)術(shù)交流年會論文集[C];2010年

5 顧成杰;張順頤;劉凱;黃河;;基于粗糙集和禁忌搜索的特征選擇方法[A];江蘇省電子學(xué)會2010年學(xué)術(shù)年會論文集[C];2010年

6 王秀娟;郭軍;鄭康鋒;;基于互信息可信度的特征選擇方法[A];2006通信理論與技術(shù)新進(jìn)展——第十一屆全國青年通信學(xué)術(shù)會議論文集[C];2006年

相關(guān)重要報紙文章 前5條

1 王素琴邋劉曉林 通訊員 王新華;宇如聰強(qiáng)調(diào)用好16個新數(shù)據(jù)集產(chǎn)品[N];中國氣象報;2008年

2 記者 劉浪 通訊員 廖雅琴;中國首套數(shù)字化“可視人”數(shù)據(jù)集在渝通過成果鑒定[N];重慶日報;2003年

3 通訊員廖雅琴記者馮競;“國人數(shù)字化可視人體數(shù)據(jù)集”完成[N];科技日報;2003年

4 金水高 劉麗華 陶莊;基本數(shù)據(jù)集標(biāo)準(zhǔn)新進(jìn)展[N];計算機(jī)世界;2006年

5 上海 陳純;初識T-SQL，戀情的開始[N];電腦報;2004年

相關(guān)博士學(xué)位論文 前10條

1 張逸石;基于冗余—互補(bǔ)散度及特征包絡(luò)前沿的數(shù)據(jù)驅(qū)動特征選擇方法研究[D];華中科技大學(xué);2016年

2 邊婧;不平衡網(wǎng)絡(luò)異常數(shù)據(jù)代價敏感特征及實例選擇[D];太原理工大學(xué);2016年

3 毛勇;基于支持向量機(jī)的特征選擇方法的研究與應(yīng)用[D];浙江大學(xué);2006年

4 尹留志;關(guān)于非平衡數(shù)據(jù)特征問題的研究[D];中國科學(xué)技術(shù)大學(xué);2014年

5 裴志利;數(shù)據(jù)挖掘技術(shù)在文本分類和生物信息學(xué)中的應(yīng)用[D];吉林大學(xué);2008年

6 劉明霞;屬性學(xué)習(xí)若干重要問題的研究及應(yīng)用[D];南京航空航天大學(xué);2015年

7 嚴(yán)遠(yuǎn)亭;不完整數(shù)據(jù)集的多視角集成分類研究[D];安徽大學(xué);2016年

8 史熒中;耦合的支持向量學(xué)習(xí)方法及應(yīng)用研究[D];江南大學(xué);2016年

9 雒曉卓;基于聯(lián)合稀疏和局部線性的極限學(xué)習(xí)機(jī)及應(yīng)用[D];西安電子科技大學(xué);2015年

10 陳梅;面向復(fù)雜數(shù)據(jù)的聚類算法研究[D];蘭州大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 李蒙蒙;視覺注意機(jī)制啟發(fā)的分組排序特征選擇方法研究[D];鄭州大學(xué);2017年

2 曹晉;基于SVDD的特征選擇方法研究及其應(yīng)用[D];蘇州大學(xué);2015年

3 張強(qiáng);靜態(tài)圖像上的行人檢測方法研究[D];中國科學(xué)技術(shù)大學(xué);2015年

4 張曉梅;基于融合特征的微博主客觀分類方法研究[D];山西大學(xué);2014年

5 王君;基于SVM-RFE的特征選擇方法研究[D];大連理工大學(xué);2015年

6 于海珠;面向文本聚類的特征選擇方法及應(yīng)用研究[D];大連理工大學(xué);2015年

7 趙世琛;文本分類中特征選擇方法研究[D];山西大學(xué);2014年

8 王丹;特征選擇算法研究及其在異常檢測中的應(yīng)用[D];電子科技大學(xué);2014年

9 林艷峰;中文文本分類特征選擇方法的研究與實現(xiàn)[D];西安電子科技大學(xué);2014年

10 盧志浩;基于GEP的kNN算法改進(jìn)研究[D];廣西師范學(xué)院;2015年

，

本文編號：1918541