广义邻域粗集下的集成特征选择及其选择性集成算法
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%.
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
45
TP181(自动化基础理论)
国家自然科学基金资助项目60971118
2011-09-27(万方平台首次上网日期,不代表论文的发表时间)
共6页
34-39