基于自适应特征选择k子凸包的滚动轴承故障诊断

滚动轴承故障诊断中往往将特征选择和分类器的设计分别进行研究,从而难以获得满意的分类精度。将特征选择和分类器寻优结合起来,提出了一种自适应特征选择k子凸包(Adaptive Feature Selection K-sub Convex Hull, AFSKCH)的分类模型,从而实现了故障特征自适应选择和分类的一体化。首先,利用凸包距离函数保持数据流形上的局部邻域结构,通过交替构造k子凸包得到特征权值矩阵;其次,采用线性规划接近度方法求解k子凸包距离,利用乘子交替方向法得到自适应特征空间;最后,根据测试点到k子凸包的最小重构距离进行分类。滚动轴承故障振动信号分析结果表明,该方法特征选择性能优于其他特征选择方法,且具有较高的分类精度。

基于自适应密度邻域关系的多标签在线流特征选择

流特征选择指从以流形式到来的特征数据中选出最优特征子集,现有方法大多在模型训练中需要事先学习领域信息并预设给定参数值。实际应用中,由于不同的数据集数据结构和来源不同,在模型学习过程中研究人员无法提前获取相关领域知识且针对不同类型数据集指定一个统一参数存在巨大挑战。基于此,提出一种基于自适应密度邻域关系的多标签在线流特征选择方法(multi-label online stream feature selection based on adaptive density neighborhood relation,ML-OFS-ADNR),基于邻域粗糙集理论,所提方法在特征依赖计算时无需任何先验领域信息。此外,提出了一种新的自适应密度邻域关系,使用周围实例的密度信息,可以在流特征选择过程中自动选择适当数量的邻域,不需要事先指定任何参数。通过模糊等价约束,ML-OFS-ADNR可以选择高依赖低冗余度的特征。实验表明在10种不同类型的数据集上,所提方法在特征数量相同的情况下优于传统特征选择方法和先进的在线流特征选择方法。

基于适应度函数和染色体信息量排序的高光谱影像特征选择方法

针对高光谱遥感影像数据中存在较多冗余信息的问题,以染色体的信息量排序为基础,构建联合条件互信息和多元互信息的适应度函数,提高所选特征可以提供的信息量,将适应度函数作为差分进化算法的评价标准,通过最大化适应度函数获得最优特征子集,提出一种新型光谱特征选择算法,使用每条染色体中所选特征的信息量来计算相关性。实验结果表明:在16类地物中该算法在9类上分类准确度最高,说明将基于信息量的相关性的估算作为适应度函数与群体智能优化算法相结合能更好地应用于高光谱遥感影像的光谱特征选择。

一类基于自适应邻域的流特征选择方法

目前虽然已经涌现出了很多类型的流特征选择技术,但大多数方法的实现在参数设置之前需获取足够的领域知识。为解决这一问题,提出了一类基于自适应邻域的流特征选择方法。首先,定义了一种新的邻域关系,它根据各个类别中样本的自然分布获取半径,从而能够自适应地构建邻域。其次,利用基于邻域的依赖关系,分析流特征的相关性和冗余性。最后,利用流特征选择的一般性流程,不难得到一个较优的特征子集。为了验证所提算法的有效性,在18组数据集上与3种先进的流特征选择方法进行了对比分析。试验结果表明:所提方法产生的流特征选择结果,在K近邻(KNN)和支持向量机(SVM)分类器上,能够将测试样本上的平均分类准确率显著提升5.68%以上。

基于自适应邻域与聚类的非平衡数据特征选择

为了解决传统邻域粗糙集未考虑不平衡数据的类分布,多数邻域系统通过人工调试难以找到最佳邻域半径,以及聚类时指定簇的数目等问题,提出一种基于自适应邻域与聚类的非平衡数据特征选择方法。根据样本在各个特征下与其他样本距离的平均值来确定样本的自适应k近邻和共享近邻,定义自适应邻域密度并设计混合采样模型,构建平衡决策系统。基于特征分布定义新的邻域半径,使用高斯核函数研究邻域内样本之间的模糊相似关系,使用模糊邻域互信息度量特征间的相关性,基于此对特征进行聚类。基于模糊邻域互信息构造粒子群初始化策略,并引入动态位掩码策略与适合整数编码的差异性扰动算子,改进整型粒子群优化算法,实现从特征簇中选出代表性特征构成最终的特征子集。在19个非平衡数据集的实验结果表明所设计的算法有效地提高了非平衡数据的分类性能。

一种自适应的Gabor图像特征抽取和权重选择的人脸识别方法

为了克服光照、表情变化等因素对人脸识别的影响,本文提出了一种自适应的Gabor图像特征抽取和权重选择的人脸识别方法.该方法首先把每幅人脸图像经过Gabor小波变换后得到的40个不同尺度和方向下的图像都看作是独立的样本,再把不同人脸中的同一尺度和方向的变换结果进行特征重组,得到40个独立地新特征矩阵.为了增强对光照、表情变化的鲁棒性,每一新特征矩阵的识别贡献被本文所提出的自适应权重方法计算得到.其次,对每一新特征矩阵采用离散余弦变化进行降维,并采用了鉴别力量分析方法来选取最有鉴别力的离散余弦变换系数作为特征向量.最后,抽取线性鉴别分析特征进行识别.大量的实验证明了本文所提方法的有效性.

基于自适应环境因子熵权决策的多目标特征选择

多目标进化算法在特征选择方面有显著的优势,但其求解高维数据最优特征子集的性能依然较差,且从获得的Pareto解集中选择合理最优解仍是一个挑战性的问题.为了解决该问题,提出一种基于自适应环境因子熵权决策的多目标特征选择算法.首先,通过设计环境因子来自适应识别关键特征,优化候选特征子空间;其次,将环境因子嵌入改进的交叉算子和变异算子,实现全局最优特征子集的自适应搜索;最后,利用关联环境因子的熵权决策策略,从获得的Pareto解集中选出最优解.实验表明,与现有的五种多目标特征选择算法相比,提出的算法具有更高的分类精度,并能准确地获取全局最优解,验证了该算法的有效性.

纺织典型装备故障多特征自适应提取方法

化纤高速卷绕头故障特征提取是卷绕头故障诊断中的关键步骤。为解决化纤卷绕头故障诊断精度不高、可解释性差的难点,提出了数据驱动的化纤卷绕头故障多特征自适应提取方法。通过改进型基因表达式编程(GEP)的故障特征生成方法,设计了一种运算符与变量符随机组合编码、对位匹配与倒序运算解码方法,构建了突变、插串、重组的遗传算子,实现了多个故障特征构建与生成;提出了低冗余、高互补的多特征提取与分析方法,实现了特征间关系的可解释性分析与关键特征优选。实验结果表明:采用所提出的改进型GEP方法与传统特征提取方法、通用GEP方法所生成的故障特征进行对比,在线速度为1000、2000和3000 m/min状态下,卷绕头故障诊断精度分别提升了8.959%、3.87%、3.77%和2.601%、3.2%、2.018%,有效解决了卷绕头故障特征提取的难题;进一步的特征工程实验表明,所提方法对于多特征组合下的卷绕头故障关键特征提取具有较强的适应性能。

一种用于运动想象脑电信号的混合特征选择算法

针对过滤式特征选择算法精度不高和包裹式特征选择算法训练时间长的缺点,提出一种融合信息增益(IG)和自适应遗传算法(AGA)的混合特征选择算法.用滤波器组公共空间模式提取运动想象脑电信号特征,计算每个特征的IG并排序,根据排序用阈值法剔除部分无用特征,用AGA在剩余特征中搜索出最优特征子集.用2个公共数据集验证所提出算法的有效性,取得81.24%±15.04%的平均分类准确率,平均用时3.68 s.所提出算法的分类准确率大于过滤式算法,训练时长短于包裹式算法.

基于变量选择比自适应迭代法的近红外光谱变量选择方法研究

近红外光谱分析技术(NIRS)存在信号弱、谱带重叠等问题,为了提高模型预测精度,提出了变量选择比自适应迭代法(PSAI)。通过蒙特卡洛法(MCS)采样,从样本中采集不同样本子集,利用偏最小二乘法(PLS)计算出每个子回归模型以及每个变量回归系数的平均值和标准差并得到初始权重,进而选取出最佳特征变量。结果表明,变量选择比自适应迭代法与自助软收缩法、无信息变量消除法以及竞争自适应重加权采样法相比,小麦蛋白数据预测精度分别提升了14%、21.4%、4.1%;牛奶蛋白数据预测精度分别提升了25%、43.3%、8.7%。所以变量选择比自适应迭代法对于简化预测模型,提高模型预测精度是可行的。

基于自适应学习的多视图无监督特征选择方法

现有的多视图无监督特征选择方法大多存在以下问题:样本的相似度矩阵、不同视图的权重矩阵和特征的权重矩阵往往是预先定义的,不能有效刻画数据间的真实结构以及反映不同视图和特征的重要性,进而导致不能选出有用的特征。为解决上述问题,首先,在多视图模糊C均值聚类的基础上进行视图权重和特征权重的自适应学习,以同时实现特征选择并保证聚类性能;然后,在拉普拉斯秩约束下自适应地学习样本的相似度矩阵,并构建一个基于自适应学习的多视图无监督特征选择(ALMUFS)方法;最后,设计一种交替迭代优化算法对目标函数进行求解,并在8个真实数据集上将所提方法与6种无监督特征选择基线方法进行比较。实验结果表明,ALMUFS的聚类精度和F-measure优于其他方法,与自适应协作相似性学习(ACSL)相比,平均提高8.99和11.87个百分点;与ASVM(Adaptive Similarity and View Weight)相比,平均提高11.09和13.21个百分点,验证了所提方法的可行性和有效性。

基于自适应特征选择的科研论文跨学科性测度方法研究

[目的/意义]跨学科研究能够通过知识整合和渗透,创造性地解决自然环境和人类社会中的复杂问题。随着跨学科研究成果的大量增长,跨学科性测度评估变得越来越有必要,如何构建有效的跨学科性测度方法,实现对论文跨学科性综合全面的测度是亟待解决的问题。[方法/过程]本研究首先基于跨学科研究的内涵和特点,从学科属性、知识网络拓扑结构和知识整合文本内容3个维度提取科研论文跨学科性特征指标,并给出特征指标的计算方法;其次,对跨学科性特征指标进行自适应计算,构建一种基于机器学习的跨学科性测度方法;最后,以植物纳米生物技术领域为例进行实证研究,对领域中高跨学科性的论文进行识别和筛选。[结果/结论]本文提出的自适应特征选择能够对跨学科性相关特征指标进行有效筛选,提升结果的可靠性,实现全面、深入的科研论文跨学科性测度。该测度方法避免了定性评估可能会出现的主观性缺陷以及不同测度指标可能出现相互矛盾结果的问题,为跨学科性测度提供新的思路与方向。

基于权重自适应特征融合的轴承故障诊断方法

传统的轴承故障诊断方法大多直接从原始振动信号中降维,仅利用时域特征诊断故障,存在故障特征单一的问题。针对上述问题,提出基于权重自适应特征融合的轴承故障诊断方法。首先对原始故障信号进行时频分析,得到故障的频域和时频域信息,然后建立双通道特征提取网络模型,分别对频域特征和时频域特征进行提取,最后提出特征自适应加权算法对不同维度特征动态加权,实现特征加权融合诊断。采用凯斯西储大学和帕德博恩大学轴承故障数据集进行实验,在测试集上最佳准确率为99.75%和98.57%,且能保持较好的收敛速度,有效提高了轴承的故障诊断效率。

基于动态特征选择的图像定向视觉检测方法

基于深度学习网络进行图像定向视觉检测过程中,传统蝗虫优化算法特征选择的寻优精度低且收敛速度慢。因此,文章提出基于动态特征选择的图像定向视觉检测方法。采用自适应蝗虫优化算法动态选择图像特征,首先采用模糊C-均值算法划分种群等级,优选出高质量的蝗虫个体进行迭代优化;利用自适应权重系数更新蝗虫个体的位置信息,基于limit阈值约束种群最优解停滞次数,实现特征的动态选择;然后,引入注意力机制加速图像的聚焦检测,降低冗余特征对图像定向视觉检测的干扰。测试结果表明:该方法特征选择性能突出,在准确度和特征长度上展现了优势;能够准确检测出定向视觉目标,远处较小目标的检测能力较优。

基于自适应流形正则化自表示的无监督特征选择算法

针对基于流形正则化自表示(MRSR)的无监督特征选择算法直接从原始的样本空间构造相似矩阵可能会导致重构空间中样本的相似性描述得不够准确的问题,提出了基于自适应流形正则化自表示的无监督特征选择(AMRSR)算法。基于自适应流形正则化自表示的无监督特征选择算法在MRSR算法的基础上通过对相似矩阵施加概率最近邻约束将相似矩阵的学习嵌入到优化过程中,在重构空间中自适应地学习样本的相似性,使得在每一次迭代中获取更加精确的样本局部几何流形结构,从而选择具有代表性且保持局部几何流形结构的特征。最后,在四个公开数据集上进行了大量的对比实验,通过将算法的特征选择结果用于K-means聚类并采取两种常见的聚类评价指标:聚类精确度和归一化互信息评价聚类效果。实验结果表明,AMRSR算法与现有的一些算法相比有更高的聚类精确度和归一化互信息,进一步表明该算法特征选择效果更好。

二进制哈里斯鹰优化及其特征选择算法

针对哈里斯鹰优化(Harris Hawk Optimization,HHO)算法在探索阶段仅使用随机策略初始种群,致使种群多样性下降,控制开发和探索过程中的线性变化的逃逸能量,在迭代后期易陷入局部最优等问题,提出了二进制HHO及其元启发式特征选择算法。首先,在探索阶段引入Sine映射函数,初始化哈里斯鹰种群位置,运用自适应调整算子来改变HHO搜索范围,并更新HHO的种群位置。其次,利用对数惯性权重改进逃逸能量的更新公式,将迭代次数引入跳跃距离中,使用步长调整参数调整HHO的搜索距离,进而平衡探索与开发能力;在此基础上设计了改进的HHO算法,避免HHO算法陷入局部最优。然后,引入S型和V型传递函数,更新改进的HHO算法的二进制位置和种群位置,设计了两种二进制的改进HHO算法。最后,使用适应度函数评估特征子集,并将二进制改进HHO算法与适应度函数相结合,提出了两种基于二进制的改进HHO元启发式特征选择算法。在10个基准函数和17个公共数据集上的实验结果表明,4种优化策略在10个基准函数上有效提升了HHO算法的优化性能,改进的HHO算法明显优于对比的其他优化算法;在12个UCI数据集和5个高维基因数据集上,将所提算法与基于BHHO的特征选择算法和其他特征选择算法进行比较,实验结果显示,基于V型改进的HHO特征选择算法具备良好的寻优能力与分类性能。

基于特征选择技术的情感词权重计算

在文本情感分析中,情感词典的构建至关重要,然而目前这方面的研究大多集中在简单的词语极性判别上,有关情感词的权重赋值研究较少,且已有的权重赋值方法基本上都需要人工辅助来选取基准词,这给实际应用带来很大的困难.针对此问题,提出了一种自动的基于特征选择技术的情感词权重计算方法.首先提出了词语情感权重与文本情感倾向的相关假设;然后针对情感分类,结合二元分类的特性改进了信息增益(information gain,IG)和卡方统计量(chi-square,CHI),将特征选择技术应用于情感词权重计算.实验结果表明:将计算所得的带情感权重的情感词库用于文本情感分类能够提升分类精度.

用于水声目标识别的自适应免疫特征选择算法

针对水声目标小样本识别中样本数目有限而特征数目不断增加,导致分类系统分类性能下降的问题,提出了一种新的自适应免疫特征选择算法(AIFSA).该算法先利用先验知识生成初始种群,接着利用交叉、变异和新的自适应免疫算子指导种群进化,每代中对分类贡献大且选择特征数目少的个体适应度值高.AIFSA具有可以利用先验知识、收敛速度快以及优化特征子集维数小的优点.提取了实测4类水声目标的多域特征,进行特征选择和分类识别仿真实验,结果表明:AIFSA可以选择有效特征子集,在特征维数下降60%的情况下,支持向量机分类器的平均正确分类率下降很小;AIFSA与标准遗传算法相比,收敛快、稳定,所得优化特征子集具有更高的正确分类率和更好的范化性能.

基于自适应模拟退火遗传算法的特征选择方法

特征选择是机器学习及模式识别领域的重要问题之一。针对高维数据对象,特征选择不仅可以在保证数据完整性的情况下减少特征维数,还能够提高分类精度。文中提出了一种基于自适应模拟退火遗传算法的特征选择方法,该方法将模拟退火算法嵌入到自适应遗传算法的循环体中,利用模拟退火算法具有较强的局部搜索能力,并且能够使搜索过程避免陷入局部最优解的特点,解决了基本遗传算法收敛速度慢,时间复杂度高的缺点。实验结果表明,在保证分类正确率的前提下,该方法有效提高了特征选择效率。

基于Gabor系数分块统计和自适应特征选择的人脸描述与识别

提出一种新的人脸描述及识别方法,首先对归一化后的人脸图像进行多方向多尺度Gabor变换;然后对人脸区域进行分块,以块为单位统计Gabor系数的均值和方差,求得块特征矢量(block feature vector,BFV),按先行后列的顺序将各块的BFV拼接,构成整幅人脸图像特征矢量(face feature vector,FFV).在分类器设计阶段,引入两两比对和投票机制,用多个两类分类器组合成多类分类器.在训练某个具体的两类分类器时,根据隶属训练样本计算FFV中每项的分辨力,以分辨力大小为依据选出最优特征子集(best subset feature vector,BSFV).基于Yale人脸数据集展开实验,与已发表的算法和结果进行对比,证明了该方法的有效性.