微信扫码下载
内容简介
《模式识别之特征选择》系统深入地论述用于模式识别的特征选择的理论与方法。在内容上注重系统、全面地论述特征选择理论和方法，并力求反映国内、外特征选择领域的*新发展趋势。《模式识别之特征选择》重点论述各种有监督和无监督特征选择理论及方法。全面涵盖特征选择原理、特征选择方法分类、各类特征选择方法特点及特征选择算法性能评价方法等知识。论述各种特征评价方法。论述各种滤波式、封装式特征选择方法的原理、工作流程及算法步骤。论述特征选择集成方法、特征选择方法与样本选择及分类器集成的融合方法。还包括用于无监督模式识别的基于图谱理论的特征选择方法，用于优化深度学习网络的特征选择方法等的*新研究成果。《模式识别之特征选择》提供用于大型数据集和高维数据分析的特征选择算法及生物信息学应用的*新资料，涵盖了水声目标识别、字符识别、基于脑功能磁共振成像和单核苷酸多态性等生物信息分析的疾病诊断的多种应用实例。《模式识别之特征选择》可作为高等院校研究生和高年级本科生的教材外，也可供计算机信息处理、水声信号处理、生物信息处理等领域中从事人工智能、模式识别、机器学习、数据挖掘工作的广大科技人员和高校师生参考。作者简介
杨宏晖，博士，西北工业大学航海学院环境工程系副教授，系教学主任，环境工程专业负责人，中船重工第760研究所国防科技重点实验室客座专家，电子学会会员。主持2013年度陕西普通本科高校省级“专业综合改革试点”项目；主持西北工业大学校教学改革项目“声环境监测课程建设的创新研究与实践”；承担西北工业大学校教学改革项目“声信号处理课程教学改革”；陕西省精品课程《噪声与振动控制》骨干教师之一；陕西省教学团队重要成员之一；多次国家重大基础研究项目；国家重点实验室基金项目；国防预研项目。目录
第1章绪论11．1概述1
1．2《模式识别之特征选择》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（HybridAlgorithm）11
2．3．4嵌入式（EmbeddedSolutions）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
3．4．1SVM的工作原理26
3．4．2SVM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
4．2Relief特征选择算法41
4．3最近邻收缩规则42
4．4Simba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
6．4．1WRNN-FSA融合算法79
6．4．2WICIS-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
6．5．2MISFFS算法86
6．5．3WRNNIF-SVME算法87
6．5．4WICIF-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
8．4．3IFSA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
