基于SFFS特征选择的锂离子电池健康状态预测研究

随着新能源汽车行业迅速发展,锂离子电池成为新能源汽车的重要动力源,其健康状态的表征参数SOH是锂离子电池维护保养和安全运行的重要指标,因此,准确对SOH进行预测至关重要。文章提出了一种基于长短期记忆网络(LSTM)和前向浮动序列选择算法(SFFS)的健康状态预测模型。为了克服传统特征选择来源单一的局限性,文章从充放电过程的电压、电流、时间等测量参数和容量增量曲线的计算参数中提取了13个健康特征,使用SFFS算法筛选出最佳健康特征集合,构建了LSTM模型学习最佳健康特征集合与健康状态之间的非线性关系,实现了SOH准确预测。基于CALCE数据集与NASA数据集对预测结果进行验证,实验结果表明,文章所提出的方法对于不同类型电池的M_(AE)、M_(APE)、R_(MSE)等评价指标均控制在0.0190以内,具有较高的预测精度和较好的鲁棒性。

基于CSP和SFFS-SFBS的两级双向脑电导联特征选取方法

针对多任务运动想象条件下脑电导联选取质量差、搜索时间长的问题,提出了一种基于公共空间模式(CSP)和顺序浮动双向选择算法(SFFS-SFBS)的两级导联特征选取方法.首先,结合空域滤波分析各个被试的时频特性,确定相应的特征时间和特征频率;然后由训练集的CSP滤波系数计算各个导联在特征提取过程中的权重大小,根据权重排序缩小导联搜索空间;最后,运用以训练集交叉检验正确率为评价准则的SFFS-SFBS算法在相应的搜索空间内双向选择最优的导联序列.实验结果表明,在保证较高分类正确率的前提下,与传统SFFS算法和改进SFFS算法相比,该方法选取的导联数量分别减少了51. 36%,47. 52%,对应的搜索时间缩短了90. 95%,80%.因此,基于CSP和SFFS-SFBS的两级特征选取方法可快速选择优质导联序列,有效提高脑机接口的实际使用性能.

改进蜻蜓算法及其在特征选择中的应用

为合理应用生产制造中产生的数据,分析和挖掘出数据中的关键特征和潜在信息,以帮助企业提高效率、降低成本,提出一种改进的蜻蜓算法,并将其用于特征选择。算法在继承蜻蜓算法良好收敛性的基础上,引入局部序列浮动后向选择机制,在增加算法的全局搜索能力的同时提高了算法的求解精度。在标准复杂数据集上对该算法与其他特征选择算法进行仿真对比与分析,并将其应用在半导体生产线上进行验证。实验结果表明,所提算法无论是在标准数据集上还是实际工程问题上,均表现出良好的全局搜索能力与发展潜力。

基于SFS-SVM的乳腺癌预测模型的构建

目的:构建基于序列前向选择算法(SFS)与支持向量机算法(SVM)分类器融合的乳腺癌预测模型,提高计算机辅助诊断技术对乳腺癌细针穿刺细胞病理的准确率。方法:对456组乳腺肿瘤病理数据作为训练集,利用SFS-SVM算法对30个特征进行筛选,得到最优的特征组合,再用112组乳腺肿瘤病理数据作为测试集验证,构建乳腺癌预测模型。该模型的预测精度通过5折交叉验证进行评价。评价指标包括:受试者工作特性曲线(ROC)下面积(AUC)、准确率(ACC)、敏感度和特异度。结果:构建了基于SFS-SVM的乳腺癌预测模型,该模型(AUC为98.39%,ACC为97.35%)相对于单独SVM算法(AUC为97.00%,ACC为92.42%)有一定的提高。结论:基于SFS特征选择的SVM分类器乳腺癌预测模型能较好地对乳腺癌进行辅助诊断。

基于XGBoost的特征选择算法

分类问题中的特征选择一直是一个重要而又困难的问题。这类问题中要求特征选择算法不仅能够帮助分类器提高分类准确率,同时还要尽可能地减少冗余特征。因此,为了在分类问题中更好地进行特征选择,提出了一种新型的包裹式特征选择算法XGBSFS。该算法借鉴极端梯度提升(XGBoost)算法中构建树的思想过程,通过从3个重要性度量的角度来衡量特征的重要性,避免单一重要性度量的局限性;然后通过改进的序列浮动前向搜索策略(ISFFS)搜索特征子集,使最终得到的特征子集有较高的质量。在8个UCI数据集的对比实验中表明,所提算法具有很好的性能。

基于SFS-SVM的V形件弯曲工艺参数优化研究

影响V形工件弯曲回弹的工件尺寸、力学性能、负载条件和材料各向异性等众多因素相互耦合,表现出高度复杂的非线性,从而导致回弹预测结果的不确定性。把板料回弹后的张开角和圆角半径作为目标优化函数,将支持向量机模型部署到顺序向前筛选算法中以高效筛选出最优的特征变量参数子集,从而提高弯曲回弹模型预测结果的精度与可靠性。有限元分析和实验结果的对比验证了算法模型的可行性。

基于顺序向前选择算法的制冷系统故障诊断分析

以一台制冷量为90冷t(约316 kW)、制冷剂为R134a的离心式制冷机组为实验对象,从理论上分析该制冷系统的7种典型故障,分析故障征兆与故障间的理论关系,运用基于顺序向前选择(SFFS)算法的封装模型进行特征选择,降低乃至消除特征间的相关度,去除信息冗余,获得不同的能较好表征故障的特征子集.结果显示:运用SFFS算法时选择了22个特征,诊断正确率为89.63%,与原特征集的诊断正确率90.36%基本相当,极大地减少了原特征集的特征数,从64维降为22维;在保证故障检测与诊断正确率的前提下,减少了诊断所需传感器种类和数量,节约了初始投入成本.

多准则赋权排序与C-SVM相结合的特征选择算法

数据挖掘中所获取的数据维数多,常常导致数据存储所需容量大,知识挖掘所需时间长,预测正确率不高等问题,特征选择是解决上述问题的重要方法之一。针对现有特征选择算法最佳特征个数难以确定及分类准确率有待进一步提高等问题,提出一种同时考虑相关性和冗余度的多准则赋权排序的算法(m CRC),m CRC结合两种准则同时对特征进行排序,并利用C-SVM对按重要性降序排好的特征采用顺序前向浮动搜索得出最佳特征子集。实验结果表明,m CRC算法与单独基于互信息或类别可分性赋权排序的特征选择方法相比能在更短的时间内获得分类性能更好的最佳特征子集,为快速并高效地对数据集进行挖掘提供了有力保障。

基于Gabor变换特征选择的ECG心拍分类

为了解决小波变换法不能有效地提取心拍的局部特征,甚至丢失一些关键特征的问题,该文基于类内类间距离和准确性准则,分别采用顺序浮动前向搜索(SFFS)法和单独最优特征组合法对心拍信号的Gabor变换系数的实部选择。选出的系数与RR间期一起组成最近邻分类器的输入特征向量。数据集来自MIT-BI H(MassachusettesInstitute of Technology-Boston s Beth Israel Hospital)心电数据库的8种类型的心拍。实验结果表明,基于准确性准则和SFFS法即封装法的心拍分类方法准确性最高,为98.65%,仅需利用15个Gabor变换系数,有利于提高分类速度。该方法是一种更有效的心拍分类方法。