广义邻域粗集下的集成特征选择及其选择性集成算法

广义邻域粗集下的集成特征选择及其选择性集成算法

ID:12977732

大小:46.00 KB

页数:18页

时间:2018-07-20

广义邻域粗集下的集成特征选择及其选择性集成算法_第1页
广义邻域粗集下的集成特征选择及其选择性集成算法_第2页
广义邻域粗集下的集成特征选择及其选择性集成算法_第3页
广义邻域粗集下的集成特征选择及其选择性集成算法_第4页
广义邻域粗集下的集成特征选择及其选择性集成算法_第5页
资源描述:

《广义邻域粗集下的集成特征选择及其选择性集成算法》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、广义邻域粗集下的集成特征选择及其选择性集成算法第45卷第6期2011年6月西安交通大学JOURNALOFXIANJIAOTONGUNIVERSITYVo1.45No.6Jun.2011广义邻域粗集下的集成特征选择及其选择性集成算法马超,陈西宏,徐宇亮,王光明(空军工程大学导弹学院,713800,陕西三原)摘要:针对实际模式识别系统中样本特征常具有的连续值属性,高维性,强相关性和冗余性等影响分类效果的问题,在广义邻域粗集模型下提出一种集成特征选择及其选择性集成算法.该算法先提取样本特征并利用所提出的马氏距离分布熵评估其重要度,再基于特征重要度构建广义邻

2、域粗集模型,并在此模型上以特征重要度为启发式信息设计基于蚁群算法的属性约简算法,然后通过改变广义邻域粗集模型参数的方式获得更多具有更大差异性的基分类器,最后利用主成分分析法对产生的基分类器进行选择性集成.模拟电路故障诊断结果表明,该算法比AdaBoost等算法取得的分类精度至少提高了2.6.关键词:集成特征选择;广义邻域粗集;马氏距离分布熵;选择性集成;模拟电路故障诊断中图分类号:TP181文献标志码:A文章编号:0253—987X(2011)06—0034—06EnsembleFeatureSelectionBasedonGeneralizedNe

3、ighborhoodRoughModelandItsSelectiveIntegrationMAChao,CHENXihong,XUYuliang,WANGGuangming(MissileInstitute,AirForceEngineeringUniversity,Sanyuan,Shaanxi713800,China)Abstract:Anewensemblefeatureselectionmethodunderthemodelofgeneralizedneighborhoodroughsetispresentedtoimprovethecla

4、ssificationaccuracyinactualpatternrecognitionsystems.TheimportancedegreesofsamplefeaturesareevaluatedbythedistributionentropyofMahalano—bisdistance(DEMD),andthegeneralizedneighborhoodroughmodelisconstructedbasedonre—sultingdegrees.Thenafastattributereductionalgorithmthattakesfe

5、aturesimportancedegreesasheuristicinformationisdesignedtoproducemultiplereductionresultsfortrainingbasicclassi—tiers.Morebasicclassifierswithhigherdiversityareobtainedthroughchangingparametervaluesinthemodel,andthesebasicclassifiersarethenselectivelyintegratedusingtheprincipalc

6、ompo—nentanalysismethod.Thefaultdiagnosisresultsofananalogcircuitshowthattheproposedmethodincreasesclassificationaccuracybyatleast2.6comparedwithothermethodssuchasAdaboost.Keywords:ensemblefeatureselectiomgeneralizedneighborhoodroughsetdistributionentropyofMahalanobisdistance;s

7、electiveintegration;analogcircuitfaultdiagnosis个体分类器的分类精度和个体分类器之间的差异性是影响集成学习器泛化能力的2个关键因素,收稿日期:2010—11—04.作者简介然科学基金资助项目(60971118).网络出版时间:2011—03—11其中不同个体分类器的差异性对提高集成学习器的分类精度以及泛化能力至关重要.实际模式识别:马超(1983一),男,博士生;陈西宏(联系人),男,教授,博士生导师.基金项目:国家自网络出版地址:http://ⅥnⅣw.cnki.net/kcms/detail/61.1

8、069.T.20110311.1506.001.html第6期马超,等:广义邻域粗集下的集成特征选择及其选择

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。