基于模糊邻域相对依赖互信息的特征选择方法

摘要：

模糊粗糙集作为处理不确定性信息的有效工具,已广泛应用于特征选择中.然而当数据分布密度差别较大时,传统模糊粗糙近似不能有效度量样本的隶属度,且大多特征评价函数仅从代数或信息单一视角构造.针对以上问题,提出了一种基于模糊邻域相对依赖互信息的特征选择方法.首先,为克服传统模糊粗糙近似对数据分布敏感的缺陷,引入相对距离计算模糊相似关系,同时考虑模糊邻域粒度结构,提出了模糊邻域相对依赖度,从代数观度量数据的不确定性.然后,基于相对粒度结构提出了模糊邻域相对互信息,并与模糊邻域相对依赖度结合构造出一种新的特征评价函数——模糊邻域相对依赖互信息,将代数观和信息观结合进行特征评价.最后,设计了一种基于模糊邻域相对依赖互信息的特征选择算法(FNRDI).通过与其他算法在9个公共数据集上进行实验对比分析,结果表明所提算法可有效消除冗余特征且提高数据的分类精度.

关键词：相对距离、模糊依赖、互信息、特征选择、模糊粗糙集

所属期刊栏目：37

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金

在线出版日期：2023-04-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：121-135