第八章 特征选择与特征提取[2014].ppt

《第八章 特征选择与特征提取[2014].ppt》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、模式识别PatternClassification第八章:特征选择与特征提取模式识别，第八章3引言特征是决定样本之间的相似性和分类器设计的关键如何找到合适的特征是模式识别的核心问题在实际问题中,常常不容易找到那些最重要的特征或者受条件限制不能对它们进行测量,这使得特征选择和提取的任务复杂化特征选择成为构造模式识别系统、提高决策精度的最困难的任务之一模式识别，第八章4引言模式三大基本特征：物理、结构和数字特征物理和结构特征：易于为人的直觉感知，但有时难于定量描述，因而不易用于机器判别数字特征：易于用机器定量描述和判别，如基于统计的特征

2、模式识别，第八章5引言一般情况下普遍认为，增加特征向量的维数（增加特征数）将有助于提高分类器的质量但实际应用中特征维数却收到多方面因素的约束和限制用较多的特征进行分类器设计，无论从计算的复杂程度还是就分类器性能来看都是不适宜的模式识别，第八章6特征的形成特征形成(acquisition)：信号采集→原始测量→原始特征实例数字图像中的各像素灰度值人体的各种生理指标语音的音调周期、共振峰、声道参数、频谱模式识别，第八章7特征的形成高维原始特征不利于分类器设计计算量大信息冗余模式识别，第八章8特征选择与提取分析原始特征的有效性，选出最有代

3、表性的特征是模式识别的关键一步降低特征维数在很多情况下是有效设计分类器的重要课题模式识别，第八章9特征选择与提取两类获取有效特征信息、压缩特征空间的方法：特征提取和特征选择基本任务是如何从原始特征中获取最有效的信息模式识别，第八章10特征选择与提取特征选择(selection)从原始特征中挑选出一些最有代表性，分类性能最好的特征特征提取(extraction)通过映射或变换的方法把高维的原始特征变换为低维的新特征，新的特征包含了原有特征的有用信息模式识别，第八章11特征选择与提取目前，还没有特征选择和提取的一般方法，这是由于特征选择

4、一般是面向问题的，很难对这些方法去作评价和比较特征选择与提取是模式识别中重要而困难的一个环节模式识别，第八章12特征选择与提取细胞自动识别原始测量正常或异常细胞的数字图像原始特征找到一组代表细胞性质的特征：细胞面积，胞核面积，形状系数，光密度，核内纹理，和浆比原始特征的维数仍很高，需压缩以便于分类！模式识别，第八章13特征选择与提取细胞自动识别特征选择挑选最有分类信息的特征特征提取数学变换：傅立叶变换或小波变换、特征压缩模式识别，第八章14特征选择特征选择的任务是从一组数量为D的特征中选择出数量为d(D>d)的一组最优特征各个特征之

5、间存在复杂的相互关系如果仅对每个单独的特征按照一定的统计进行排队,取排在前面的d个特征所得结果在大多数情况下不是最优特征组模式识别，第八章15特征选择从D个特征中选择出d个最优的特征,在这两个参数都已知的状况下,所有可能的组合数为如果D=100，d=10，则的Q数量级是1013模式识别，第八章16特征选择在实际问题的研究过程当中，D的维数往往远远高于100例如,在利用生物芯片来进行药物设计和癌症诊断时,其产生的有效特征维数往往在10000左右实际需要选取的优化特征组的特征数量是未知的寻找可行的特征选择算法已逐渐成为国际上研究的热点模

6、式识别，第八章17特征选择一般来看，特征选择（确定优化的特征子集）需要两个主要步骤确定评价准则来评价所选择的特征子集的性能确定进行特征搜索所需要的策略模式识别，第八章18特征选择按搜索策略划分的特征选择算法全局最优搜索策略“分支定界”算法：该方法能保证在事先确定优化特征子集中特征数目的情况下,找到相对于所设计的可分性判据而言的最优特征子集。如何事先确定优化特征子集当中特征的数目？当处理高维度多类问题时，算法运算效率低下模式识别，第八章19特征选择按搜索策略划分的特征选择算法随机搜索策略将特征选择视为组合优化问题，采用非全局最优搜索方

7、法把特征选择问题和模拟退火算法、禁忌搜索算法、遗传算法、或随机重采样过程结合,以概率推理和采样过程作为算法基础遗传算法在这一领域的应用最为广泛模式识别，第八章20特征选择按搜索策略划分的特征选择算法启发式搜索策略单独最优特征组合算法序列前向选择算法序列后向选择算法浮动搜索算法模式识别，第八章21特征选择特征选择的原则选择反映模式本质特性的参数作为特征使样本类间距离较大、类内距离较小与类别信息不相关的变换（平移、旋转、尺度变换）具有不变性尽量选择相关性小的特征尽可能不受噪声的干扰模式识别，第八章22基于主成份的特征提取：K-L变换K-

8、L变换(Karhunen-LoeveTransform,卡洛南-洛伊变换)是将高维特征向量映射为低维特征向量的有效方法目的：提取出空间原始数据的主要特征(主元或主成份)，减少数据冗余，使得数据在一个低维的特征空间被处理，同时保持原始数