視覺注意機(jī)制啟發(fā)的分組排序特征選擇方法研究.pdf

1、在大數(shù)據(jù)的時(shí)代背景下，為了從超大規(guī)模的高維數(shù)據(jù)中快速獲取有效信息，特征選擇至關(guān)重要也備受關(guān)注。基于特征分組的特征選擇方法由于其兼顧了最大化特征與類別之間的相關(guān)程度和最小化特征間的冗余度的優(yōu)勢(shì)而被廣泛接受，而視覺注意機(jī)制的顯著性計(jì)算方式與特異性處理機(jī)制又對(duì)分組排序特征選擇方法產(chǎn)生了奇妙的啟發(fā)。
　　本文受這種啟發(fā)影響，分別模擬其對(duì)相關(guān)信息的特異性處理策略和對(duì)顯著信息的顯著性計(jì)算策略，形成分組排序的新思路，提出分組排序特征選擇（Gro

2、uped Sorting Feature Selection, GSFS）算法。首先從特征分組和排序過程與視覺注意機(jī)制兩種策略的相似性入手，介紹 GSFS算法與視覺注意機(jī)制的模擬—啟發(fā)關(guān)系，結(jié)合特征分組和排序指標(biāo)的介紹，確定基于最大信息壓縮指數(shù)和Fisher分?jǐn)?shù)的GSFS算法并詳述其基本原理，構(gòu)建合適的最佳分組數(shù)目確定準(zhǔn)則和最優(yōu)特征子集確定準(zhǔn)則并實(shí)現(xiàn)了算法流程。隨后在8個(gè)不同維度，不同類別數(shù)的標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行了分類實(shí)驗(yàn)和去冗余效果測(cè)評(píng)，

3、通過和6種經(jīng)典特征選擇算法的實(shí)驗(yàn)結(jié)果對(duì)比說明 GSFS算法選出的最優(yōu)特征子集分類能力優(yōu)良且所含冗余信息最少，從而證明了GSFS算法在解決特征選擇問題時(shí)的有效性。
　　在 GSFS算法的理論基礎(chǔ)上，為進(jìn)一步解決高維數(shù)據(jù)集特征選擇中計(jì)算復(fù)雜度較高的問題，又提出基于分布式處理的分組排序特征選擇（ Distributed Processing based Grouped Sorting Feature Selection, DP_GSFS

4、）算法。它采用將原始特征集均分的方式，減少特征對(duì)之間相關(guān)性度量的計(jì)算復(fù)雜度以提高計(jì)算效率。在6個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集上的分類實(shí)驗(yàn)和去冗余效果測(cè)評(píng)分別驗(yàn)證了DP_GSFS算法分類能力和去冗余效果的基礎(chǔ)上，兩種算法的對(duì)比實(shí)驗(yàn)結(jié)果表明DP_GSFS算法僅需設(shè)置合適的分組數(shù)，就可以顯著降低計(jì)算時(shí)間，由此證明了其在提高計(jì)算效率方面的作用，這也可以為將來超大規(guī)模海量數(shù)據(jù)集的快速分析處理提供有價(jià)值的參考。另外，本文還將算法應(yīng)用在真實(shí)醫(yī)學(xué)圖像特征數(shù)據(jù)集上，特征選