基于Fisher线性判别模型的文本特征选择算法

在采用向量空间模型表示方法的文本分类系统中,维数约简是必要的步骤,特征选择方法由于计算复杂度较低而被广泛采用.本文基于Fisher线性判别模型提出了一种新的文本特征选择算法,将其求解过程转换为一个特征项优化组合的问题,避免了复杂的矩阵变换运算.实验表明,该方法与信息增益、卡方统计方法比较,具有较明显的优势.  

一种图像隐写分析中的特征选择方法

根据分类器基于图像特征进行信息盲检测的原理,提出了联合使用K-NN分类器和SVM分类器的特征选择方法,并对多种隐写算法和工具进行实验,比较了它们的分类精度,验证了特征优化的重要性.结果表明在分类器训练和工作之前对图像特征向量进行选择优化,能在一定程度上提高分类器的工作效率,更有效地发现隐写算法的脆弱性.  

自组织特征映射在柴油机振动信号模式分类中的应用

通过分析柴油机在磨合期、不同摩托小时和拉缸等典型状态下的振动信号样本,计算出各类样本在幅域、时域和频域的特征参量,按照类别可分离性判据进行特征选择,寻找出能够代表发动机不同状态的有效特征参数,同时降低特征向量空间的维数,最后利用自组织特征映射神经网络(Self-Organizing Feature Map)进行发动机不同状态的分类.分析结果表明,SOFM能够对各类模式进行有效的分类,准确率达到92%以上.  

基于神经网络的柴油机特征参数评价与选择

在设备故障诊断中,正确地提取与选择特征参数对于诊断结果的有效性和准确性具有关键性的意义,在提出评价判据时样本的概率分布往往难以确定,针对模式识别中特征量的选择方法,结合人工神经网络原理,提出了利用人工神经网络进行故障特征量评价与选择的方法,实现了对柴油机特征参数的提取及选择,有效地解决了柴油机状态监测与故障诊断中测试参数多而难以优化的问题。  

机械故障特征与分类器的联合优化

在机械故障诊断中,特征选择和分类器的参数优化都可以提高诊断精度。利用特征和分类器参数的依赖关系,提出了特征选择和SVM参数的联合优化方法来提高诊断性能。联合优化方法采用支持向量机(SVM)作为故障分类器,SVM半径—间距上界(RM界)为目标计算诊断精度,并应用遗传算法求解此优化问题。齿轮故障诊断试验结果表明,联合优化的诊断精度要优于单独优化特征和SVM参数,而且优化速度更快。因此在故障诊断中,利用特征和分类器参数联合优化能够快速取得较好的诊断精度。  

雷达目标识别的频域极小极大法

本文研究了雷达目标识别过程中关于目标的编码、分类特征的提取与选择等问题。提出了利用极小极大原则从频域中获取目标特征系数的方法,论述了它的数学框架以及寻求最佳解的算法步骤。利用实测的目标散射数据进行试验研究,结果表明了本文理论的正确性及其方法的有效性。  

基于无线局域网MAC层DOS攻击的入侵检测

为了检测无线局域网MAC层的6种DOS攻击方式,提出一种基于Hybrid特征选择和支持向量机的入侵检测算法.该算法先用混合器模式的Hybrid特征选择算法提取8个识别攻击的流量统计特征,然后利用支持向量机对待检测对象进行识别分类.通过建立仿真环境对检测模型的检测效果进行统计验证,表明检测模型在具有较高检测准确率和较低的虚警率,能够有效地检测MAC层DOS攻击,具有实用价值.  

基于非负矩阵分解的电磁超声系统优化研究

针对孤立脉冲群电磁超声系统信号特征容易被噪声淹没的问题，提出基于改进的非负矩阵分解（INMF）优选特征的支持向量机（SVM）方法．首先，用3种不同的方法提取高维特征；其次，用NMF方法实现特征降维，并保证降维结果的唯一性，避免对特征的直接选择；最后，应用支持向量机方法对降维特征进行分类．对孤立脉冲群电磁超声系统采集的4种信号特征进行提取、选择和分类，实验结果表明：INMF方法能有效提取微弱信号的特征，减少运算量，提高电磁超声系统特征采集的准确率．  

基于特征空间中类别可分性判据的特征选择

针对支持向量机首先要将数据通过一个非线性函数映射到高维特征空间,从而在特征空间中改变了数据的分布,因此在设计支持向量机分类器时有必要在特征空间进行特征选择,而非原空间.提出在特征空间中利用类别可分性判据进行特征选择,将类内类间距离引申到特征空间来计算可分性判据.通过仿真,该方法能够有效地在特征空间进行特征选择.  

一种基于模糊熵的特征选择算法

特征选择是模式识别中的一个重要组成部分.针对分类边界模糊的样本集,将模糊集的理论应用到特征选择中,通过对特征进行模糊化,定义一种模糊熵来度量特征的分类区分度,再采用相关系数度量特征间的冗余度,建立判定树.则树中的节点即为选择出的特征,树枝为特征的隶属度函数,且通过判定树进行的分类可以实现样本识别的模糊化.