基于d-s证据理论的多准则特征集优选方法

《基于d-s证据理论的多准则特征集优选方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据西南交通大学硕士研究生学位论文第V页4．3单一排序准则⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．274．3．1Mahalanobisdistance(MD)方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．284．3．2RepresentationEntropy@E)方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．284．4选择D．S理论作为融合规则的原因⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。284．5特征排序方法的稳定性⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．294．6基于D．S理论的多准则排序方法(MCFR—DSEC)⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．294．7

2、MCER．DSEC方法实验设计及分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．324．7．1标准数据特征集⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯324．7．2实验分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯324．8基于D．S理论的多准则排序方法(MCFR．MURPHY)⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。354．9MCFR．MURPHY方法实验设计与分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯364．9．1基于标准数据特征集的实验分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯364．9．2基于高速列车检测数据特征集的实验分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯384．10本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯

3、⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯41结论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一42致{射⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．44参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯45攻读硕士学位期问发表的论文及科研成果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯50万方数据西南交通大学硕士研究生学位论文第1页1．1研究背景及意义第1章绪论在信息量丰富的当今社会，特征集优选问题已经在模式识别、机器学习和数据挖掘等领域得到广泛的应用，是其中一个重要的研究内容

4、。采用特征排序方法先对特征进行排序，根据排序结果选择特征子集是一种有效的特征集优选方法。因此特征排序方法对于特征集优选至关重要。特征选择是指从原始特征集中删除冗余的(Redundant)、无关的(Irrelevant)的特征，选取含有最多识别信息的特征子集【12】。在模式识别中，我们可能提取大量的特征，然而提取的特征可能包含许多冗余特征，这些冗余特征对于分类起到非常有限的作用，甚至是反作用，严重影响计算速度和分类准确率。理论上特征越多提供给分类器的信息就越多；但是实际上由于训练数据有限，过多的特征不仅严重降低训练速度，而且由于冗余特征的影响，会使分类器对训练数据产生过适应，因

5、此特征排序在模式识别领域至关重要。采用合适的特征选择方法降低特征空间的维数不仅能够降低分类器的复杂度，而且能够提高分类准确率。因此，特征排序对模式识别的复杂性、准确性具有重要意义。目前特征排序准则面临两大问题：一是定义新的单一特征准则；另一个是如何融合不同单一准则解决特征之间的冗余和冲突。每个单一准则由于其评价规则不同，会从不同的方面反映同～组特征的好坏，因此对于同一问题，应用不同的单一排序方法，我们会得到不同的特征排序或特征子集。在没有先验知识的情况下，我们无法判断哪一个排序或特征子集最有益于该问题的分类。因此，如何将不同的单～排序方法有效地融合，以得到综合的特征排序是目前

6、研究的热点问题。本文首先是以实验室课题高速列车走行部故障状态识别为研究背景，运用“并行”结合的多准则特排序方法应用于根据高速列车走行部实测数据的特征集，去掉不相关或冗余的特征，得到含有信息量最丰富的特征子集，得到更高的分类准确率，实现对高速列车走行部关键部件运行状态的正确分类。在此基础上，通过分析现有的多准则特征排序方法的融合规则存在问题，将现已成熟的D．S证据理论作为多准则特征方法的融合规则，以解决不同单一准则融合时，存在的冲突问题，从而得到更有效的多准则特征排序方法。本文又提出了基于D．S证据理论的多准则特征排序和选择方法。与已有的单一排序方法和多准则排序方法对比，验证该

7、方法的有效性，并将其应用于高速列车走行部故障状态识别中，实现更为简单有效地识别。万方数据西南交通大学硕士研究生学位论文第2页1．2国内外研究现状1．2．1特征选择研究现状70年代初期，特征选择问题就已经出现，而且主要应用于统计学领域，到90年代特征选择已成为机器学习领域的重要问题，对数据挖掘、信息检索、文本分类等所有机器学习领域的问题都有重大意义[31。大多数实际分类问题都是有监督的学习问题，即潜在的分类概率和类别条件概率是不知道的，并且每一个样本都会注明其所属的类别。在实际情况中，一个特征是相关的还是