融合序列后向选择与支持向量机的混合式特征选择算法

维度灾难是机器学习任务中的常见问题,特征选择算法能够从原始数据集中选取出最优特征子集,降低特征维度.提出一种混合式特征选择算法,首先用卡方检验和过滤式方法选择重要特征子集并进行标准化缩放,再用序列后向选择算法(SBS)与支持向量机(SVM)包裹的SBS-SVM算法选择最优特征子集,实现分类性能最大化并有效降低特征数量.实验中,将包裹阶段的SBS-SVM与其他两种算法在3个经典数据集上进行测试,结果表明,SBS-SVM算法在分类性能和泛化能力方面均具有较好的表现.

基于多域特征分析与选择的电力数据识别方法

为解决电力数据特征挖掘不充分导致识别精度不高的问题,提出一种基于多域特征分析与选择的电力数据识别方法。首先针对现有电力数据特征提取方法存在的不足,提出一种基于经验模态分解(EMD)与Hilbert变换(EMD-Hilbert)的特征提取方法,并对电力数据的功率特征和V-I轨迹特征进行量化表征;然后基于随机森林与广义序列后向选择搜索策略相结合的特征选择算法(RF-GSBS)得到最优特征子集,并采用RF算法构建电力数据的识别模型;最后通过仿真算例验证所提方法的有效性和准确性。结果表明,该算法可利用不同特征互补性解决单一特征识别精度不高的问题,并通过特征选择进一步提高学习算法的性能。

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PSO混合特征选择算法在疲劳驾驶中的应用

基于多源生理信号的驾驶员疲劳检测研究存在特征信息冗余以及佩戴多种传感器影响驾驶员操作的问题。为此,提出一种结合粒子群优化算法和序列后向选择的特征选择算法。在适应度函数中加入信号源数的惩罚项,在降低特征维度的同时减少传感器的使用数量。根据所使用分类器的特点对适应度函数进行简化,提高特征选择算法的运行效率。在粒子定义中加入信号选择位,提高信号的筛选力度。实验结果表明,该算法平均使用2种信号和16. 1种特征,能够获得95. 3%的疲劳驾驶检测正确率。

基于单因素SVM的航空兵空运转场飞行架次需求预测研究

航空兵部队成建制空运转场飞行架次需求预测,对机关、航空兵部队拟定空运计划、进行空运准备等都具有重要的意义。运用序列后向选择方法(SBS)对影响飞行架次的特征因素进行逐层淘汰,利用支持向量机(SVM)理论建立单因素非线性回归模型,进而对飞行架次进行预测。预测结果表明:同多因素SVM预测模型相比,单因素SVM预测模型虽在预测精度上没有显著提高,但其减少了预测的前期工作量,方便了机关和部队的使用,实现了飞行架次预测的实时性要求。

基于非下采样轮廓波变换的模糊图像质量评价

为判断模糊图像的失真程度,针对模糊图像的质量评价提出一种方法。通过非下采样轮廓波变换提取图像特征形成特征向量,将得到的特征向量作为输入,图像的DMOS值作为输出,利用支持向量回归建立图像质量评价模型,结合序列后向选择算法预测图像质量得分。实验结果表明,在LIVE、VCL@FER、CSIQ和TID2013数据集上,该方法和人类视觉系统具有较好的一致性。

基于生成对抗网络的情绪识别数据增强方法

使用深度学习方法构建高准确率的情绪识别模型需要大量的情绪脑电数据。生成对抗网络(GAN)最近在生成逼真的数据方面取得了巨大成功,但一直没有客观的评价指标衡量生成的数据质量,无法保证生成的样本总是有助于分类。针对此问题,提出了一种将带条件和梯度惩罚的生成对抗网络(Conditional Wasserstein GAN-Gradient Penalty,CWGAN-GP)与序列后向选择(Sequential Backword Selection,SBS)相结合的数据增强方法。利用SBS自动从CWGAN-GP生成的人工样本中选择高质量的人工样本加入到训练集中,在DEAP数据集中评估提出的CWGAN-GP-SBS方法。实验结果表明,使用CWGAN-GP-SBS方法得到样本的测试分类准确率相比传统SBS方法平均高出5.86%,说明CWGAN-GP-SBS生成的人工样本可以显著提高情绪识别模型的准确性。