卷积神经网络与人工水母搜索的图特征选择方法

目前,卷积神经网络(Convolutional Neural Network,CNN)模型在处理图像数据时分类效果较差,人工水母搜索(Artificial Jellyfish Search,AJS)算法收敛速度慢,迭代次数多,特征选择的效果不理想.针对上述问题,提出一种基于CNN和AJS的图特征选择方法 .首先,使用CNN来提取特征,将生成的特征图进行图嵌入降维,再使用AJS算法进行特征选择,把得到的特征输入分类器,进行模型训练和评估;然后,在图嵌入阶段,将特征图进行随机游走,并通过添加特征权重计算节点的游走概率来增强权重大的节点的游走概率,提高分类精度;最后,在AJS算法中引入余弦公式对人工水母的位置进行更新,充分考虑特征向量之间的相似性,提高算法的收敛速度并减少迭代次数.在10个基准函数上进行实验,结果表明改进的AJS算法具有较好的优化性能.在四个数据集上,将提出的算法与其他算法进行对比实验,实验结果表明,提出的算法能提高分类精度,减少迭代次数.

基于属性关系图正则化特征选择的零样本分类

为挖掘属性学习中属性与特征、属性与属性之间的关系,针对属性学习中存在的所有特征与属性被同等对待,底层特征与属性、属性与属性之间的先验知识被忽略的问题,提出一种基于属性关系图正则化特征选择的零样本分类方法.首先,根据训练样本和类别-属性矩阵计算属性之间的正负相关性,进而构建属性关系图;然后,基于属性关系图,对底层特征进行图正则化特征选择,并将选择后的特征用于直接属性预测(DAP)模型的训练;最后,通过直接属性分类器对测试样本进行零样本分类.AWA数据集上的实验结果表明,在40类训练10类测试的情况下,所提方法获得了0.692 6的属性预测平均AUC值及19.5%的零样本分类精度.