資源描述：
《模式分類中特征選擇算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、國(guó)內(nèi)圖書(shū)分類號(hào)：TP391．4唧㈣㈣11IIIIII㈣IIIIIIIIIIIIIIl㈣lnIIIY2509509。工學(xué)碩士學(xué)位論文模式分類中特征選擇算法研究碩士研究生：導(dǎo)師：申請(qǐng)學(xué)位級(jí)別：學(xué)科、專業(yè)：所在單位：答辯日期：授予學(xué)位單位：劉依戀黃金杰工學(xué)碩士控制理論與控制工程自動(dòng)化學(xué)院2014年3月哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文模式分類中特征選擇算法研究劉依戀哈爾濱理工大學(xué)2014年3月ClassifiedIndex：TP391．4DissertationfortheMasterDegreeinEngineeringResear
2、chonFeatureSelectionAlgorithmCandidate：Supervisor：forPatternClassificationLiuYilianHuangJinjieAcademicDegreeAppliedfor：MasterofEngineeringSpecialty。ControlTheoryandControlEngineeringDateofOralExamination：March，2014University：HarbinUniversityofScienceandTechnology哈爾
3、濱理工大學(xué)碩士學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：此處所提交的碩士學(xué)位論文《模式分類中特征選擇算法研究》，是本人在導(dǎo)師指導(dǎo)下，在哈爾濱理工大學(xué)攻讀碩士學(xué)位期間獨(dú)立進(jìn)行研究工作所取得的成果。據(jù)本人所知，論文中除已注明部分外不包含他人己發(fā)表或撰寫(xiě)過(guò)的研究成果。對(duì)本文研究工作做出貢獻(xiàn)的個(gè)人和集體，均在文中以明確方式注明。本聲明的法律結(jié)果將由本人承擔(dān)。作者簽名：劉岱≮悉、日期：201％．5月炒日哈爾濱理工大學(xué)碩士學(xué)位論文使用授權(quán)書(shū)《模式分類中特征選擇算法研究》系本人在哈爾濱理工大學(xué)攻讀碩士學(xué)位期間在導(dǎo)師指導(dǎo)下完成的碩士學(xué)位論文。本論文的
4、研究成果歸哈爾濱理工大學(xué)所有，本論文的研究?jī)?nèi)容不得以其它單位的名義發(fā)表。本人完全了解哈爾濱理工大學(xué)關(guān)于保存、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向有關(guān)部門(mén)提交論文和電子版本，允許論文被查閱和借閱。本人授權(quán)哈爾濱理工大學(xué)可以采用影印、縮印或其他復(fù)制手段保存論文，可以公布論文的全部或部分內(nèi)容。本學(xué)位論文屬于保密口，在年解密后適用授權(quán)書(shū)。不保密團(tuán)。作者簽名：文-艄，導(dǎo)師簽名：鍘日期：別華年一弓月b日日期：加I斗年3月＼O日哈爾濱理-丁大學(xué)工學(xué)碩上學(xué)位論文模式分類中特征選擇算法研究摘要新技術(shù)的蓬勃發(fā)展使我們每天都接觸到海量的信息，如何
5、從這些海量數(shù)據(jù)中獲取對(duì)自己有用的信息，關(guān)鍵的環(huán)節(jié)就是模式識(shí)別技術(shù)。在模式識(shí)別系統(tǒng)中，由于獲取的數(shù)據(jù)規(guī)模越來(lái)越大并且具有樣本少、維數(shù)高等特點(diǎn)，如何從高維度原始數(shù)據(jù)中選擇合適特征子集，避免“維數(shù)災(zāi)難”，同時(shí)不影響分類性能，使得特征選擇算法面臨更大的挑戰(zhàn)。特征選擇是模式識(shí)別系統(tǒng)中非常重要的一部分，也是設(shè)計(jì)一個(gè)性能優(yōu)良分類器的前提和必要條件。本文通過(guò)研究國(guó)內(nèi)外各種特征選擇算法，在對(duì)有監(jiān)督的特征選擇算法中的評(píng)價(jià)測(cè)度、搜索方向和搜索策略等深入研究的基礎(chǔ)上，提出了改進(jìn)的特征選擇算法?；谥鞒煞址治?PrincipleComponentAn
6、alysis，PCA)的多層Filter式特征選擇算法，它將PCA特征提取運(yùn)用于特征選擇之前，能有效去除特征間冗余，克服了特征選擇被用于依賴性較高的數(shù)據(jù)集時(shí)為了有效檢測(cè)到冗余的高計(jì)算量問(wèn)題。之后引入信息熵的理論，研究特征的最大相關(guān)最小冗余的非線性相關(guān)性。針對(duì)Filter特征選擇效率高但是不能保證獲得規(guī)模最小的特征子集的不足，本文提出分層Filter式特征選擇，減少每層計(jì)算量，逐層降低特征維數(shù)，得到維數(shù)最低冗余度小的特征子集?；谛畔⑾嚓P(guān)性的嵌入式動(dòng)態(tài)特征選擇算法是在這樣的基礎(chǔ)上：信息相關(guān)的度量方法是建立在概率論的基礎(chǔ)上的，預(yù)
7、先要知道數(shù)據(jù)集上的概率分布情況；隨著特征選擇的不斷進(jìn)行，待選特征子集不斷縮小，己選特征子集不斷壯大，數(shù)據(jù)類別的不確定性越來(lái)越小，而信息熵計(jì)算不變，顯然信息熵中包含部分“假信息”。通過(guò)改進(jìn)特征選擇中單個(gè)特征的評(píng)價(jià)函數(shù)，同時(shí)在特征選擇算法中嵌入k近鄰分類器，根據(jù)己選特征子集來(lái)得到可識(shí)別樣本，將其從原樣本中去除，重新計(jì)算信息熵來(lái)實(shí)現(xiàn)動(dòng)態(tài)特征選擇。關(guān)鍵詞模式識(shí)別；特征選擇；過(guò)濾式；嵌入式；信息論哈爾濱理工大學(xué)T學(xué)碩士學(xué)位論文ResearchonFeatureSelectionAlgorithmforPatternClassifica
8、tionAbstractTherapiddevelopmentofnewtechnologiesbringsUSalargeamountofinformationeveryday,themostimportantsteptoobtainusefulinformationfromthemas
