模式识别之特征选择2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

模式识别之特征选择PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 概述1

1.2 本书章节安排3

参考文献4

第2章 特征选择原理5

2.1 定义5

2.1.1 特征相关性定义5

2.1.2 特征选择定义5

2.2 特征选择过程6

2.2.1 特征子集的搜索6

2.2.2 特征子集的评价8

2.2.3 特征子集搜索的终止9

2.2.4 选择结果确认9

2.3 特征选择方法分类9

2.3.1 滤波式（Filters）9

2.3.2 封装式（Wrappers）10

2.3.3 混合式（Hybrid Algorithm）11

2.3.4 嵌入式（Embedded Solutions）12

2.4 特征选择算法的评价12

2.4.1 特征选择算法的两个重要参数12

2.4.2 特征选择算法的稳定性评价12

2.5 本章小结14

参考文献15

第3章 特征评价方法17

3.1 概述17

3.2 基于距离的评价准则17

3.2.1 质心距离准则17

3.2.2 类类间最小距离准则17

3.2.3 类内间距离准则17

3.2.4 混合距离准则18

3.3 基于互信息理论的特征评价准则18

3.3.1 特征选择问题中的信息熵18

3.3.2 特征选择问题中的互信息21

3.3.3 互信息特征评价准则23

3.3.4 连续特征的离散化24

3.4 基于支持向量机的特征评价准则26

3.4.1 SVM的工作原理26

3.4.2 SVM分类器分类性能估计及设计33

3.4.3 基于SVM分类性能估计的特征评价准则37

3.5 本章小结38

参考文献38

第4章 滤波式特征选择算法40

4.1 顺序搜索特征选择算法40

4.1.1 顺序向前特征选择算法40

4.1.2 顺序向后特征选择算法41

4.1.3 顺序双向特征选择算法41

4.2 Relief特征选择算法41

4.3 最近邻收缩规则42

4.4 Simba算法43

4.5 实验及结果44

4.5.1 实验数据及实验设置44

4.5.2 实验及讨论44

4.6 本章小结47

参考文献47

第5章 基于人工免疫系统的特征选择算法49

5.1 人工免疫系统的研究历史和现状49

5.2 基于免疫机理的特征选择算法50

5.2.1 算法原理50

5.2.2 编码与初始种群的生成50

5.2.3 适应度函数50

5.2.4 免疫操作51

5.3 基于免疫克隆机理的特征选择方法52

5.3.1 算法原理52

5.3.2 问题编码53

5.3.3 亲合度函数53

5.3.4 抗体克隆数53

5.3.5 免疫克隆算子53

5.4 遗传算法55

5.4.1 遗传算法基本概念55

5.4.2 遗传算法用于特征选择原理55

5.5 实验与讨论57

5.5.1 实验目的57

5.5.2 实验数据57

5.5.3 实验结果及讨论57

5.6 本章小结64

参考文献65

第6章 特征选择、样本选择与分类器集成融合67

6.1 概述67

6.2 样本选择原理67

6.2.1 样本选择的定义67

6.2.2 样本选择的必要性67

6.2.3 样本选择方法分类68

6.2.4 加权最近邻收缩样本选择算法69

6.2.5 加权免疫克隆样本选择算法70

6.3 分类器集成72

6.3.1 分类器集成概述72

6.3.2 经典分类器集成方法73

6.3.3 分类器选择性集成算法76

6.4 样本选择与特征选择融合方法79

6.4.1 WRNN-FSA融合算法79

6.4.2 WICIS-FSA融合算法80

6.4.3 实验与讨论81

6.5 样本、特征与分类器集成的融合方法85

6.5.1 样本选择、特征选择与分类器集成融合原理85

6.5.2 MISFFS算法86

6.5.3 WRNNIF-SVME算法87

6.5.4 WICIF-SVME算法87

6.5.5 实验与讨论88

6.6 本章小结96

参考文献96

第7章 无监督特征选择算法101

7.1 基于特征相关性的无监督特征选择101

7.1.1 基于互信息的无监督特征选择101

7.1.2 基于非参数互信息的无监督特征选择105

7.1.3 基于特征相似性的无监督特征选择107

7.2 基于谱图理论的无监督特征选择110

7.2.1 基于谱的无监督特征选择111

7.2.2 谱聚类无监督特征选择114

7.3 本章小结118

参考文献118

第8章 特征选择算法集成121

8.1 概述121

8.2 特征选择算法集成121

8.2.1 基本概念121

8.2.2 个体特征选择器的生成方法122

8.2.3 特征选择算法集成方法124

8.3 基于特征排序表的特征选择算法集成方法125

8.3.1 特征排序表集成概念125

8.3.2 特征排序表集成方法126

8.4 特征选择算法集成实验及讨论127

8.4.1 实验数据介绍127

8.4.2 基于Bagging的特征选择算法集成实验127

8.4.3 IFSA算法的集成实验结果及讨论128

8.4.4 顺序向前特征选择算法集成的实验结果及讨论130

8.4.5 实验结论131

8.5 特征选择算法集成的应用实例——基于fMRI图像及基因的疾病诊断131

8.5.1 应用背景131

8.5.2 利用特征选择与SVM集成融合fMRI和SNP数据进行疾病诊断134

8.6 本章小结142

参考文献142

第9章 特征选择用于深度学习146

9.1 深度置信网络基础模型——受限玻尔兹曼机146

9.1.1 受限玻尔兹曼机模型147

9.1.2 高斯-伯努利受限玻尔兹曼机148

9.1.3 受限玻尔兹曼机的训练148

9.2 深度置信网络及其特征学习150

9.2.1 深度置信网络的提出150

9.2.2 深度置信网络的训练150

9.2.3 用于分类识别的深度置信网络153

9.2.4 特征学习结果分析153

9.3 基于互信息的深度特征优化选择155

9.3.1 平均互信息无监督深度特征优化选择156

9.3.2 非参数互信息无监督深度特征优化选择161

9.3.3 信息增益有监督深度特征优化选择165

9.3.4 联合互信息有监督深度特征优化选择170

9.4 基于特征选择优化的DBN模型173

9.4.1 基于特征选择优化的DBN结构173

9.4.2 基于平均互信息特征选择优化的DBN模型174

9.4.3 基于非参数互信息特征选择优化的DBN模型176

9.5 本章小结178

参考文献178