改进ReliefF算法在北斗信号干扰特征选择中的应用

北斗导航信号在城市环境中容易受到复杂的干扰,这些干扰严重影响北斗接收机的定位精度。干扰特征中包含着对评估目的贡献较少的特征,这部分贡献较少的特征会影响分类结果的准确性。论文仿真了北斗卫星干扰信号并对信号进行特征提取组成预选特征集。同时提出了一种使用新的距离计算方式并可在所有样本核心圈进行迭代的改进型Re⁃liefF算法。可行性验证表明改进型ReliefF算法在选取特征为6维的情况下分类精度提升2%。最后使用改进型ReliefF算法提出预选特征集中贡献较大的部分,实现了由12维到8维的特征降维,得到8维最优特征子集。

基于VMD和ReliefF算法的汽车鸣笛声识别方法

传统梅尔频率倒谱系数(MFCC)和线性预测倒谱系数(LPCC)特征的汽车鸣笛声识别方法在识别模型中分辨力不足,针对此问题,提出了一种基于变分模态分解(VMD)和ReliefF融合特征的汽车鸣笛声识别方法。该方法将变分模态分解所得的前四个模态分量进行信号重构,提取重构信号的MFCC、LPCC、声谱图特征参数。通过ReliefF算法融合MFCC和LPCC特征,并输入识别模型,实现汽车鸣笛声的准确识别。结果表明,该方法在BP模型中的识别率、识别速度均优于其他特征在BP、支持向量机、卷积神经网络识别模型中的识别效果,在汽车鸣笛声识别领域具有一定应用价值。

基于ReliefF算法与遗传算法的肌电信号特征选择

针对肌电信号特征维数高、运算效率低等问题,提出了一种基于ReliefF算法与遗传算法(GA)相结合的肌电信号特征选择方法.分析了肌电信号的特征,运用小波分析对肌电信号进行特征提取,采用ReliefF算法评估所提取的高维特征信号的权值,以选出对分类效果影响显著(权值较大)的特征子集,采用GA进一步筛选出分类效果最佳的特征子集,并对比分析了基于ReliefFGA-Wrapper算法与全局搜索算法对肌电信号处理的时间和分类效果.结果表明,所提出的方法能够提高运算效率并具有很好的分类效果.

改进的ReliefF算法用于雷达距离像目标识别

提出了一种改进的ReliefF算法,并将其用于雷达高分辨距离像(high resolution range profile,HRRP)目标识别。与传统ReliefF算法相比,新算法通过在每类目标中等距离间隔抽取相同数量样本的方式进行权值累积,降低了样本数量及分布差异等因素对特征权值的影响,得到了更稳定有效的特征权值。利用此权值不但可降低特征向量维数,并可对最小距离分类器加权,提高目标识别率。最后,对5种不同飞机实测数据的识别结果表明本算法可达到83%的平均识别率。

基于改进ReliefF算法的主成分特征提取方法

计算信息特征(属性)的权重问题在信息分类及模式匹配中是一个研究热点。该文提出一种基于改进ReliefF算法的主成分特征提取方法,利用此算法删除原始特征中与分类不相关的特征,并对数据进行归一化处理和主成分提取。实验将34个特征变量降维成10个主成分,大大减轻后续的分类器工作量,提高分类器的分类精度。

基于FPCA和ReliefF算法的图像特征降维

针对传统图像特征降维方法计算量大、无法去除冗余信息、未考虑相关性等缺陷,提出一种结合快速主成分分析(FPCA)和ReliefF算法的图像特征降维方法.该方法先利用FPCA算法对样本数据进行初次降维,去除样本中的冗余信息;再利用ReliefF算法计算样本特征的分类权重,根据权重对特征进行组合优化.在算法实现过程中,采用递归排除策略,进一步提升了算法特征寻优能力.仿真实验表明,利用本文算法优选出的图像特征,可较好地提高聚类结果,适合实际工程的应用.

改进ReliefF算法在水泥工艺故障诊断中的应用

针对ReliefF算法在迭代过程中受样本选取随机性、随机样本可能带有干扰及类别先验概率等因素影响较大的问题,提出了一种无需类别先验概率,且可以在所有类别的样本核心圈进行迭代的改进ReliefF算法。在标准数据集上的试验结果表明,改进ReliefF算法克服了传统ReliefF算法容易受迭代次数、最近邻样本数影响的问题,且算法的特征选择结果稳定,在选取特征维数相同的情况下,改进ReliefF算法选取特征的分类效果较传统ReliefF算法也有所提高。最后,将改进ReliefF算法运用于水泥工艺故障诊断,运用该算法提取故障特征,以支持向量机作为分类器,实现了故障的准确识别。

ReliefF算法在雷达辐射源信号识别中的应用

采用小波包变换提取雷达辐射源信号特征能够有效对信号进行识别,然而,由小波包变换提取的信号特征维数高,部分信号特征受噪声污染严重.基于此,采用ReliefF算法对信号特征的分类能力进行评价,选择出小波包中分类能力强的信号特征,再通过特征相关度算法去除分类能力相近的冗余特征,利用剩余的分类能力强的信号特征组成特征向量进行分类.仿真实验结果显示,该方法用较少的信号特征能够获得较高的正确识别率.

改进的ReliefF算法在哈萨克斯拉夫文识别中的应用

针对模式识别领域中的文字识别问题,为达到较高的识别效率,去除低冗余,选择并提取高效特征,提出以印刷体哈萨克斯拉夫字符、符号及数字为研究目标的基于改进的ReliefF特征选择算法,用于哈萨克斯拉夫文字的识别;对传统的ReliefF算法的特征权重做进一步改进,提出Re-reliefF算法,对文字识别的特征选择及特征提取部分进行优化。将基于改进的ReliefF特征选择算法用于哈萨克斯拉夫文识别问题,将该算法的识别结果与传统ReliefF特征选择算法进行比较,比较结果表明,该算法在哈萨克斯拉夫文文字识别过程中效果良好,具有运行速度快与运行时间降低等特点。

联合对称不确定性ReliefF算法的PolSAR影像分类

针对在PolSAR影像分类中极易产生分类精度随着特征数增加不会持续增加,甚至还会降低的问题,提出一种基于对称不确定性ReliefF算法的分类方法。首先,在传统过滤式的ReliefF算法基础上引入对称不确定性评估函数,淘汰对分类贡献小的特征及属性;然后,利用封装式CART算法对剩余特征作进一步挑选,并根据得到的特征子集进行分类。将其与Wishart监督分类、未进行特征选择的分类和仅利用ReliefF算法进行特征属性选择的分类方法进行比较,以GF-3和Radarsat-2影像为例进行实验。结果表明,该方法各项指标均优于其他对比实验,并且大幅度节约时间成本。

基于ReliefF算法的核主成分特征提取

入侵检测中特征选择和特征提取是解决特征降维的方法之一。采用基于ReliefF算法的核主成分方法解决特征降维问题,先采用ReliefF算法去除原始特征中与分类不相关的特征,再采用核主成分分析法进行特征提取。实验数据表明:将41个特征变量降维成9个主成分,大大减轻了后续的分类器的工作量,同时也有助于提高分类器的分类精度。

基于ReliefF算法的城市出租车保有量问题研究

文章首先对ReliefF特征选择算法相关理论做了解析,分析了影响城市出租车保有量的相关因素;然后利用ReliefF算法对重庆、广东相关数据进行了处理,提取其中特征权重较大的特征;最后,基于降维后的特征进行多元回归分析,得到表征重庆、广东出租车保有量的多元回归方程。

基于ReliefF算法和相关度计算结合的故障特征降维方法及其应用

在对旋转机械进行故障诊断时,通常要从时域、频域或时频域提取故障特征参数,组成原始的故障特征向量,然而在众多的故障特征当中并不是每个特征对于故障分类都是敏感且有效的。为此,本研究提出了基于Relief F算法和相关度计算结合的故障特征降维方法。采用Relief F加权特征选择算法对原始各特征的分类能力进行评价,选择出分类能力较强的特征;再通过特征相关度算法剔除其中分类能力相近的冗余特征,将剩余的分类能力较强的特征组成最终的降维特征向量用于故障分类和诊断,实现原始特征的降维。通过液压泵和滚动轴承的故障诊断实验,并与传统的主元分析(PCA)方法对比,结果表明该方法能够用较少的降维后的信号特征获得更高的故障正确识别率。

基于改进的ReliefF算法的神经网络集成分类模型

为进一步提高集成学习中各个神经网络的差异性，该文采用了一种改进的特征选择方法一基于概率抽样的ReliefF算法，并将其引入到集成所用的Bagging方法中。实验结果表明，该文提出的基于改进的KelietT算法的神经网络集成分类模型的泛化能力优于Bagging方法。

基于小波能量谱和ReliefF算法的雷达辐射源无意调制特征提取

为了获取更加有效的雷达辐射源无意调制特征并进一步降低特征的维度,以提升低信噪比下雷达辐射源个体识别的准确率,从时频分析角度出发提出了一种基于小波变换能量谱和ReliefF算法的无意调制特征提取方法。首先对辐射源信号进行小波变换并获取小波能量谱,然后采用ReliefF算法对小波能量谱值进行权重分析,筛选出区分能力较强的高权重小波能量信息作为雷达辐射源的无意调制特征。该方法将权重分析应用于特征提取中,在提升特征有效性的同时进一步降低了特征的维度。实验结果表明:相较于传统时域和频域中的无意调制特征,基于小波能量谱和ReliefF算法提取的无意调制特征具有低维度、强抗噪声的特点。当信噪比大于0 dBm时识别率达到90%以上,具有较高的工程应用价值。

基于ReliefF算法的遥感影像分类特征优化

GF-1影像有丰富的光谱和纹理信息,能清楚地反应地物的同时也带来了大量的噪声。由此,文章采用多级多层次分割策略,确定耕地的分割范围,再借助eCognition中最佳分割尺度评价工具ESP获取最优尺度参数,并提取光谱、形状和纹理特征;在此基础上,运用ReliefF算法对分类结果进行优化,并对分类结果进行精度评价。实验结果表明,ReliefF算法能有效地去除无关特征的影响,提高遥感影像分类精度。

基于改进ReliefF算法的哑铃动作识别

为了实现哑铃动作分类识别的目标,在哑铃上加装惯性传感器模块,通过采集哑铃锻炼过程中的运动信号,经信号标准化、滤波、基于初始静态量周期分割预处理后,提取侧平举、前平举、反握弯举、锤式弯举、弯举5种哑铃动作的特征向量,使用改进的Relief F特征选择算法,选择最优特征向量,采用基于平衡决策树的支持向量机对不同的哑铃动作进行分类识别。通过在实验室自主研发的哑铃动作识别系统上进行测试,结果表明:系统能够在单个哑铃动作周期内对哑铃动作进行识别,且识别率可达90%以上,为提供更加个性化的哑铃动作指导奠定基础。

一种基于改进ReliefF算法的入侵检测模型

针对现有入侵检测算法中特征提取不充分、未考虑特征权重的影响、模型分类不够精确等问题,提出一种基于改进ReliefF算法的入侵检测模型。通过优化入侵数据特征权重计算,提出改进的ReliefF算法;根据计算特征的Pearson相关系数,建立特征相关性量表。只保留其中一个相关性高的特征,以实现特征的二次优化;对最优特征子集分别使用决策树(decision tree,DT)、k-最近邻(k-nearest neighbor,KNN)、随机森林(random forest,RF)、朴素贝叶斯(naive bayes,NB)和支持向量机(support vector machine,SVM)5种分类器评价该方法的分类性能和准确性。在NSL-KDD和UNSW-NB15两个数据集上的试验结果表明,该方法不仅具有较好的检测性能,还能有效降低特征维度,对分类器的计算复杂度有积极的影响。

随机多属性子空间的ReliefF加权邻域粗糙集与属性约简

属性约简是一种重要的数据降维预处理方法,然而现有的属性约简方法大多没有考虑信息系统中属性权重的信息。ReliefF算法是一种实现简单且运算效率高的属性权重评估方法,提出一种随机多属性子空间的ReliefF加权邻域粗糙集和属性约简算法。该方法生成了多组具有相同大小随机子空间的属性集划分,并对每组划分的随机子空间利用ReliefF算法计算得到属性的局部权重,将所有组得到的属性局部权重求取平均值,得到了信息系统每个属性最终的全局权重;基于属性权重的结果,提出一种新的加权邻域粗糙集模型,并证明了相关理论和性质;在该模型的基础上通过加权邻域依赖度提出一种信息系统的属性约简算法。在公开数据集上的属性约简实验结果表明,所提出的属性约简算法比已有的同类型算法整体上具有更优的约简性能。

基于冗余性分析的改进ReliefF特征选择算法

为了解决ReliefF算法随机抽样会抽取到不具代表性的样本且未考虑特征间相关性的问题,提出基于冗余性分析的ReliefF特征选择算法。首先改进ReliefF的抽样策略,其次将特征权重序列划分为几个子集,分别利用最大信息系数及Pearson系数共同衡量特征相关性,设置相应采样比例剔除冗余特征。将改进算法与其他特征选择算法进行对比,结果表明相较于传统ReliefF,在LightGBM(Light Gradient Boosting Machine,轻量级梯度提升机器学习)上的分类准确率可提升0.63%~12.10%,在SVM(Support Vector Machine,支持向量机)上的分类准确率可提升0.92%~9.06%,改进算法的分类准确率明显优于其他几种特征选择算法,在考虑特征与标签相关性的同时,能有效剔除冗余信息。