直接验证的封装式特征选择方法

封装式特征选择算法可以准确地选择出有价值的特征,但是其评价过程伴随着极大的时间复杂度。为此,该文针对封装式特征选择算法中时间复杂度最高的交叉验证评价环节,提出了可以替代交叉验证的特征集直接评价方法——LW测量。进一步,将该方法与封装式特征选择算法中常用的序列搜索策略相结合,提出了改进的序列前(后)向搜索特征选择算法SFS-LW(SBS-LW)。通过在2个UCI数据集上与传统的基于交叉验证的封装式特征选择算法进行3组对比实验,结果表明该改进特征选择方法具有与传统方法近似的分类精度,但在时间复杂度上则有数倍的改善。

基于特征选择下机器学习对阿尔茨海默病的分类

目的利用机器学习通过分析结构性磁共振成像(sMRI)数据和人口统计学资料,实现对阿尔茨海默病(AD)病程的分类与识别。资料与方法选取阿尔茨海默病影像学倡议数据库中编号4018-5120的543例研究对象[认知功能正常者(NC)139位、早期轻度认知障碍(EMCI)220例、晚期轻度认知障碍(LMCI)108例、AD患者76例]。对272项sMRI数据和4项人口统计学指标数据,结合随机森林(RF)的特征重要性排序和基于分类精度的序列前向选择方法(CA-SFS)进行特征选择,甄选出最优特征个数,将其代入4种机器学习方法[正则化的逻辑回归(L1-LR)、支持向量机(SVM)、BP神经网络(BPNN)、RF]中自动化识别出最优分类模型,观察其对AD病程进行两两分类的效果,并使用受试者工作特征曲线评价效能。结果RF模型对NC-EMCI、NC-LMCI、EMCI-LMCI和LMCI-AD的预测分类准确度分别达到86.67%、88.24%、93.48%和100.00%,SVM模型对NC-AD的分类预测准确度达到100%,L1-LR模型对EMCI-AD的分类预测准确度达到95.24%。结论基于RF和CA-SFS特征选择,再利用机器学习方法对AD进行多个二分类有稳定、较好的分类效果。

高光谱遥感波段选择的非线性投影寻踪方法

针对高光谱遥感波段选择问题,提出了一种非线性投影寻踪指标,构造了投影寻踪迭代算法.对植被高光谱遥感图像的实验分析表明,该方法所选出的三个特征波段基本上相当于三个主成分方向所包含的信息量,特别是提高了易混类别的分类精度.

基于句子级的最大频繁序列的文本分类

本文提出了一种新的文本分类方法。这种方法将一篇文本的一个句子看作一个事务.一个段落看作是一个序列,则一篇文本表示成一个序列的集合。我们从每篇训练文本中挖出最大频繁序列用以表示这篇文本,这种表示方法可大大提高训练及分类速度,同时也可以几乎不损失分类精度。在数据集 Reuters-21578上的大量实验证明这种方法要远远好于其他的文本级的基于关联的分类方法。

基于电信号复合多尺度熵的CMT焊缝熔宽分类识别

【目的】焊接电信号复杂性的定量表征是监测和评估焊接质量的重要方法,近似熵、样本熵仅能从单一尺度刻画焊接电信号的复杂性,无法表征电信号在多尺度上的复杂性。【方法】该文引入复合多尺度熵(Refined composite multiscale entropy,RCMSE)刻画电信号在多尺度上的复杂性,结合特征评价和支持向量机模式识别模型,提出了一种基于复合多尺度熵与支持向量机的熔宽分类识别方法。首先,将电流信号进行数据归一化,利用RCMSE提取信号多尺度复杂性特征;然后,利用特征评价方法—序列前向选择(Sequential forward selection,SFS)评估RCMSE中每个尺度的熵值对熔宽的可分性,筛选出关联度最高的熵值,构成特征向量;最后,将特征向量输入到支持向量机(Support vector machine,SVM)的熔宽多分类器中进行训练和识别。【结果】将RCMSE应用于电弧电流信号复杂性特征提取,采用序列前向特征选择对RCMSE特征值进行选择,结合SVM提出了一种焊缝熔宽分类方法。应用于堆焊试验数据分析,预测准确率可达94.4%。【结论】RCMSE能够有效地提取电信号的多尺度复杂性特征,获得较高的焊缝熔宽分类识别率,为度量熔焊过程电流信号的多尺度复杂性提供了一种方法。

基于朴素贝叶斯的鼠标轨迹识别方法

拖动滑块验证是行为式验证码的主要方式之一。针对鼠标轨迹的识别问题,提出一种基于朴素贝叶斯的鼠标轨迹识别方法。通过比较人为轨迹和机器轨迹的差异,提取出鼠标轨迹的10个初始特征:是否回移、尾部平均速度、轨迹右半部的轨迹点密度等,构建了基于朴素贝叶斯的鼠标轨迹识别模型;采用前向序列选择算法从10个特征中找出包括8个特征的最优特征子集,采用相关概率加权方法为每个特征赋予权值,得到改进的鼠标轨迹识别模型。实验在MATLAB仿真器中进行,使用了2017年腾讯大数据挑战赛提供的鼠标轨迹数据集。仿真实验表明,与支持向量机识别模型、决策树识别模型、K最近邻识别模型相比,文章提出的改进模型具有更高的识别准确率。

高速动车组牵引拉杆压装工艺方法步骤分析

分析装配、零件图纸尺寸,利用新的装配工艺方法来确定每一个装配零部件的公差带,通过计算核定每个零部件尺寸公差,更加精准的控制产品装配精度。在满足装配精度的同时,合理制定零部件加工精度,满足批量生产稳定性,大大提高生产效率。

基于多准则决策的不平衡感知数据集成特征选择算法

在数据挖掘领域,不平衡数据普遍存在。在许多情况下,这些数据通常具有高维性和类不平衡性。不平衡数据集特征属性分布失衡,会造成分类性能下降,数据的高维性则会导致学习算法非常耗时。针对这一问题,提出了一种基于组合采样和集成学习的特征选择方法。首先使用组合采样方法,处理类不平衡问题,重点合成少数类样本,在保证数据集达到平衡的前提下去除噪声样本,将集成特征选择建模为一个多准则决策过程,使用VIKOR方法得到特征重要性排序,然后在序列前向搜索特征的过程中,使用XGBoost算法的准确率作为评估特征子集优劣的指标,确定最优特征子集。选择AUC、G-mean和F-measure作为评价指标,通过在5组不平衡数据集进行实验,证实了所提算法具有更好的分类效果,且模型的鲁棒性更好。

基于随机森林的局部放电特征提取和优选研究

在得到了局部放电绝缘缺陷模式识别所需的特征集后,针对特征维度较高,建立分类模型复杂的问题,提出了基于方差分析的随机森林前向特征选择方法。从两个方面进行了改进:一是提出一种基于方差分析的方法,度量特征在不同类别上的差异性,得到了修改之后的排列置换方案,用来指导某一个特征在袋外数据样本上的取值顺序的重新排列;二是采用序列前向搜索方法进行特征选择,得到迭代的特征评估结果,解决了现有算法中决定特征子集大小的随意性及结果的不稳定性问题。将基于方差分析的随机森林前向特征选择方法、主成分分析法和稀疏主成分分析法对单一特征集和组合特征集进行特征降维之后的结果输入到分类器进行测试,结果表明基于方差分析的随机森林前向特征选择方法能够获得较好的特征子集,用于局部放电特征降维是可行的,有效提高了局部放电缺陷类型识别率。

应用广角地震数据进行玄武岩下成像

使用长炮检距记录的数据能够提高玄武岩层及其下伏构造的成像精度。应用广角折射和反射的旅行时及振幅能够建立更好的速度模型。应用选择部分广角波场的叠前偏移方法，在玄武岩和玄武岩下成像过程中能够使用无低速多次波和广角地震资料的高近临界振幅。

基于特征融合和改进RSM集成分类的BMP隐写检测

针对目前大部分BMP隐写分析方法主要采用单一特征和单一强分类器,容易产生训练样本敏感、分类精度难以提高等问题,提出一种基于特征融合和改进RSM集成分类的BMP图像隐写检测方法.方法首先串行融合Moulin和SPAM两种经典特征,然后利用序列前向选择(SFS)算法选取分类能力高的特征作为固定特征,其余特征在剩余特征空间中随机抽取,利用固定特征和随机抽取特征构造特征子集,最后在特征子集上训练成员分类器,并用多数投票法对它们进行组合.实验结果表明:和传统方法相比,在不同嵌入率下,该方法对BMP经典隐写(如LSB匹配、LSB替换、SS和QIM)的检测率均有一定程度的提高.