基于机器学习的交叉覆盖信息捕获算法研究

摘要：

随着系统复杂程度的增加,信息采集时很容易受到其它因素的影响而形成交叉覆盖,使信息具有不平衡、非线性等特点,难以实现信息的准确可靠捕获.为此提出一种基于机器学习的交叉覆盖信息捕获算法.为防止训练过程中单纯的距离计算引发邻近关系误判,采取欧式距离和局部均值相结合搜索特征属性的邻近元素,通过与特征属性的内外映射筛除原始信息中的非关联属性.为降低信息冗余度,利用信息熵描述未知信息量,并在信息熵基础上引入互信息来描述数据间的依赖关系,根据互信息矩阵完成主成分特征提取.最后利用机器学习的良好逼近性,构建SLFN学习网络,对网络模型进行正则化处理,并通过构建Lagrange函数求解网络输出加权,从而实现数据分类.仿真结果表明,所提算法对于不同复杂度的数据集具有更好的适应性,能够显著提高交叉覆盖信息捕获的准确率、鲁棒性,以及抗噪性.

关键词：交叉覆盖;非关联属性;信息熵;互信息;机器学习

所属期刊栏目：38

分类号：TP181(自动化基础理论)

在线出版日期：2021-11-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：297-300,475