利用混杂核模糊补互信息选择特征

模糊粗糙集理论目前在数据挖掘和机器学习等领域受到了广泛的关注.该理论提供了一种能克服离散化问题的有效工具,并能直接应用于数值或混合属性数据.在模糊粗糙集模型中,定义模糊关系来测量对象之间的相似性,数值属性值不再需要离散化.模糊粗糙集理论已经被成功应用于许多领域,如属性约简、规则提取、聚类分析和离群点检测.信息熵被引入到模糊粗糙集理论进行模糊和不确定信息的表示,产生了不同形式的模糊不确定性度量,如模糊信息熵、模糊补熵和模糊互信息等.然而,大部分所提关于决策的模糊互信息都是非单调的,这可能导致一个不收敛的学习算法.为此,基于混杂核模糊补熵,定义了关于决策的模糊补互信息,证明了其随特征呈单调性变化.进而,利用混杂核模糊补互信息探索特征选择方法并且设计了相关的算法.实验结果展示了在大多数情况下所提算法可以选取更少的特征且能保持或提高分类准确率.

我国城镇居民家庭的金融资产选择特征分析——基于6个城市家庭的调查数据

本文基于我国6个城市1170户家庭的调查数据,重点从不同维度对家庭的金融资产选择特征进行分析,得出职业、收入水平、生命周期、金融需要和金融意识等因素的不同产生了不同层次的金融需求和资产选择行为。

混合粒子群优化算法选择特征的网络入侵检测

针对网络入侵特征优化问题,提出一种混合粒子群优化算法选择特征的网络入侵检测模型,以提高网络入侵检测率.首先将网络入侵检测率作为特征选择的目标函数,网络状态特征作为约束条件建立相应的数学模型,然后采用混合粒子群算法找到最优特征子集,最后采用支持向量机作为分类器建立入侵检测模型,并在MATLAB2012平台上采用KDD1999数据进行验证.实验结果表明,该模型可高效地查询到最优特征子集,入侵检测率和效率均优于经典入侵检测模型.

基于旅客出行选择特征的高速铁路浮动定价策略研究

基于旅客出行选择行为制定相应的定价策略,是提高铁路企业客票收益的关键。针对现行定价策略提出改进方案,首先构建考虑非时序特征的改进长短期记忆网络模型(LSTM),精准预测即将开售车次不同价格水平下的余票情况;其次,利用梯度提升决策树(GBDT)切割旅客出行选择特征空间,并依据特征进行价格分级;最后,构建以铁路企业收益最大为目标的定价模型,并采用逐次逼近算法求解。算例结果表明,改进LSTM模型预测余票标准化均方误差为0.053,比LSTM、RNN和GRU更优;改进的浮动定价策略与现行浮动定价政策相比,能够更好地反应运输市场需求,提高铁路部门单日收益。

KNN-IPSO选择特征的网络入侵检测

为了提高网络入侵检测的正确率,提出一种基于KNN-IPSO选择特征的网络入侵检测模型(KNN-IPSO)。首先采用K近邻算法消除原始网络数据中的冗余特征,并将其作为粒子群算法的初始解,然后采用粒子群算法找到最优特征子集,并对粒子的惯性权重进行自适应调整和种群进行混沌操作,帮助种群跳出局部最优,最后采用KDD CUP 99数据集对KNN-IPSO的性能进行测试。结果表明,KNN-IPSO消除了冗余特征,降低了分类器的输入维数,有效提高了入侵检测正确率和检测速度。

粒子群选择特征和信息增益确定特征权值的入侵检测

为了提高网络入侵检测正确率,提出一种粒子群算法(PSO)选择特征和信息增益(IG)法确定特征权值的网络入侵检测模型(PSO-IG)。首先采用PSO选择网络入侵特征子集,消除冗余特征;然后采用IG法确定特征子集中的特征权重,并采用支持向量机(SVM)建立分类模型;最后采用KDD CUP 99数据集对PSO-IG的性能进行测试。测试结果表明:PSO-IG消除了冗余特征,降低了输入维数,提高了网络入侵检测速度;通过合理确定特征权值,提高了入侵检测正确率。

张家界城市旅游发展的用地选择特征与成因

旅游用地作为城市旅游发展的载体，其用地选择对于旅游地可持续发展与生态保护具有重要意义。以张家界为例，分析了地形因子影响下的旅游用地结构及其成因机制。研究结果表明：（1）张家界旅游用地主要集中在海拔200-1000m和坡度5°～35°的范围，沿坡向的用地在135°～225°和315°～360°更占优势；（2）旅游用地中水域和建设用地集中在海拔600m和25。坡度以下地段，而林草地则在海拔200-1000m和坡度5°～35°地段更占优势，分布相对均匀；（3）各类旅游用地与海拔和坡度具有更高的相关性，其拟合系数在0．6以上，坡向与旅游用地的相关性较低，拟合系数仅为0．06。城市旅游用地结构是城市旅游发展中各类用地在资源、区位以及市场影响下的结果，是人地关系相互作用的重要体现。城市旅游用地结构特征指示了城市发展规模、环境容量以及发展路径等，对于城市旅游的持续发展和生态保护具有重要意义。

杭州城市老人乡村休闲地选择特征及影响机制研究

城市老人乡村休闲游为缓解城市养老压力和提升乡村经济活力,提供了城乡统筹发展新路径。通过调查具有乡村休闲经历的杭州老年群体,分析其乡村休闲地实际选择的基本特征,并构建logistic回归模型探究影响机制。结果表明:1-2 h交通圈内依托自然气候或旅游资源的中低端乡村是城市老人乡村休闲游的主流选择。个人及行为特征均在一定程度上对其选择产生影响,其中,身体健康和亲友相伴对老人长距离乡村休闲起到推动作用;年龄、经济条件和文化程度与其乡村消费档次选择密切相关;乡村资源类型选择受到老人个人和行为特征上的多方面影响。最后就乡村休闲地规划建设提出建议。

基于AFSA-KNN选择特征的网络入侵检测

针对网络入侵特征高维性和特征冗余严重等问题,提出一种K近邻算法(KNN)和改进人工鱼群算法选择特征的网络入侵检测模型(AFSA-KNN)。计算特征之间的关联度,采用KNN算法消除原始网络数据中的冗余特征;将得到的特征子集作为AFSA初始解,通过模拟鱼群的觅食、聚群及追尾行为找到最优特征子集;建立网络入侵检测分类器。实验结果表明,AFSA-KNN有效消除了冗余特征,减少分类器输入维数,提高了网络入侵检测正确率和检测速度。

遗传算法同步选择特征和支持向量机参数的网络入侵检测

针对入侵检测系统产生的高维数据和支持向量机参数优化问题,提出一种遗传算法同步选择特征和支持向量机参数的网络入侵检测模型。首先将特征子集和支持向量机参数编码成染色体,将网络入侵检测的分类准确率作为种群个体的适应度值,然后通过遗传算法的全局搜索能力,同步找到对分类算法最有影响的特征组合和支持向量机最优参数,最后采用KDD99数据集进行仿真实验。结果表明,该模型可以快速找到最优特征子集和支持向量机参数,提高了网络入侵检测正确率,是一种较好的网络入侵检测算法。

基于智能优化算法选择特征的网络入侵检测

为了改善网络入侵检测的效果,提出一种智能优化算法选择特征的网络入侵检测模型。首先采用智能优化算法对网络入侵特征进行选择,得到对检测结果有重要贡献的特征,去除无效特征;然后采用支持向量机建立入侵检测分类器,最后采用KDD99数据集对模型性能进行分析。结果表明,该模型提高了网络入侵检测的准确率,而且检测速度可以满足网络安全实际应用的要求。

蝙蝠算法联合选择特征和分类器参数的入侵检测

针对入侵检测的特征和分类器参数选择问题,采用极限学习机ELM(extreme learning machine)进行构建分类器,提出一种蝙蝠算法(BA)联合选择特征和分类器参数的网络入侵检测模型(BA-ELM)。首先将特征子集和极限学习机参数编码成蝙蝠个体,以入侵检测准确率和特征数加权组成个体适应度函数;然后通过个体和群体更新的规则引导蝙蝠向最优解飞行,从而找到最优的子特征集和极限学习机参数;最后建立最优的入侵检测模型,并通KDD CUP 99数据集进行仿真性能分析。结果表明,BA-ELM较好地解决了入侵检测特征选择与分类器参数不匹配难题,提高了网络入侵检测率和检测效率,更加适合于网络入侵检测的实时要求。

基于组合算法选择特征的网络入侵检测模型

为了提高网络入侵检测的正确率,提出一种基于组合算法选择特征的网络入侵检测模型(GA-PSO)。首先建立网络入侵特征选择的数学模型,采用遗传算法迅速找到网络入侵的特征子集,然后采用粒子群算法进一步选择,找到最优特征子集,最后采用极限学习机建立网络入侵检测分类器,并采用KDD CUP 99数据集进行仿真测试。结果表明,GAPSO不仅提高了入侵检测速度,而且可以提高网络入侵检测的正确率。

人工鱼群算法选择特征和加权的模拟电路故障诊断

为了准确跟踪模拟电路故障的变化特点,提出一种人工鱼群算法选择特征和加权的模拟电路故障诊断模型。首先根据Volterra级数获得模拟电路状态的原始特征集,然后采用相关向量机作为模拟电路故障的分类器,采用人工鱼群算法选择重要特征子集,并赋予每一个特征合理权值,最后将该模型应用于某一模拟电路故障中。结果表明,人工鱼群算法可以准确得到最优特征子集,模拟电路故障平均超过95%,而且其性能要显著优于经典模型。

联合选择特征和分类器参数的Android系统安全检测

为了提高Android系统安全检测性能,提出一种联合选择特征和分类器参数的Android系统安全检测模型.首先提取Android系统安全检测特征,并将特征和支持向量机参数组合在一起作为一个上体,然后通过教与学优化算法模拟老师的教学过程和同学之间的互相交流过程,找到最优特征子集和支持向量机参数,最后构建最优的Android系统安全检测模型,并进行仿真实验.实验结果表明,相对于其他Android系统安全检测模型,模型提高了Android系统安全检测准确率,改善了Android系统安全检测效率,可以满足Android系统安全检测的实时性要求.

粒子群优化算法选择特征的运动图像分类

为了提高图像分类的效果,考虑当前方法准确实现图像分类的难题,提出粒子群优化算法选择特征的运动图像分类方法。对当前运动图像分类方法的研究现状进行分析,提取不同类型的图像,并采用粒子群优化算法选择最优特征,组成特征向量,将特征向量机作为神经网络的输入,实现运动图像的分类。采用具体图像分类实验进行验证,结果表明,该方法可以描述不同运动图像的类别信息,缩小图像的分类误差,避免其他图像分类方法的缺陷,提高了图像的整体分类正确率。

改进遗传算法选择特征在入侵检测中的应用

使用集成学习的方法进行入侵检测过程中,特征选择是关键的一个环节,最佳的特征组合,不但能够降低分类的错误率,而且在分类效率上也有很大的提高。对遗传算法进行改进,并用于入侵检测数据集的特征选择上,经实验证明此方法能够得到较好的集成效果。

蚁群算法选择特征与WSVM融合的网络入侵检测

为了提高网络入侵检测率,提出一种蚁群算法选择特征与加权支持向量机的网络入侵检测方法.利用蚁群算法选择网络数据的关键特征,计算信息增益获得各个特征权重,根据特征权重构建了加权支持向量机的网络入侵分类器,并通过KDD CUP 99数据集验证了其有效性.结果表明:该算法能够有效降低特征维数,提高网络入侵检测率和检测效率.

基于不一致近邻的模糊粗糙集特征选择

模糊粗糙集可突破经典粗糙集仅能处理离散数据的局限,有效对连续型数值进行特征选择。然而,模糊粗糙集以对象为中心计算,时间复杂度高,难以处理高维和大规模数据。为此,基于水平截集提出一种不一致近邻加速策略。该策略跟踪论域中每个对象的模糊近邻集,持续删减其中不影响计算的近邻,若对象的不一致近邻删减至空,则删减该对象,从而提高算法效率。同时,设计一种基于不一致近邻递减的属性重要度,可有效抑制冗余特征入选,提升效率及分类精度。通过理论证明,所提的加速策略及属性重要度不影响属性入选的次序。在此基础上,提出新的模糊粗糙集特征选择算法。在9个UCI和scikit数据集上进行验证,实验结果表明,该算法不仅有效缩短运行时间,并可取得较高的分类精度,相比FA-FSCE、AVDP和IV-FS-FRS-2算法,运行时间至少可缩短9.44%,尤其在高维和大规模数据上可缩短61.01%~99.54%,在支持向量机和K-近邻算法的分类精度上最高可分别提高11.20%和19.95%。

增强学习标签相关性的多标签特征选择方法

针对现有多标签特征选择方法存在的两个问题:第一,忽略了学习标签相关性过程中噪声信息的影响;第二,忽略探索每个簇的综合标签信息,提出一种增强学习标签相关性的多标签特征选择方法。首先,对样本进行聚类,并将每个簇中心视为一个综合样本语义信息的代表性实例,同时计算其对应的标签向量,而这些标签向量体现了每个簇包含不同标签的重要程度;其次,通过原始样本和每个簇中心的标签级自表示,既捕获了原始标签空间中的标签相关性,又探索了每一个簇内的标签相关性;最后,对自表示系数矩阵进行稀疏处理,以减少噪声的影响,并将原始样本和每个簇代表性实例分别从特征空间映射到重构标签空间进行特征选择。在9个多标签数据集上的实验结果表明,所提算法与其他方法相比具有更好的性能。