注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 新的特征选择方法-特征子集选择

  2. 对于一个给定的待分类模式， 特征选择要求人们从大量的特征中选取一个最优特征子集， 以代表被分类的模式。对特征选择问题提出了基于一种特殊度量的特征选择方法，先通过对数据集的训练得到特殊的度量，然后用该度量对特征进行分类，从各类中选取一个特征，最后再用特征选择算法对所选的特征进行选择。大量实验的结果表示该方法具有较好的效果。

  3. 所属分类：其它

    • 发布日期：2009-10-27
    • 文件大小：142336
    • 提供者：mimi0shirley

  1. 基于遗传算法和支持向量机的特征子集选择方法

  2. 基于遗传算法和支持向量机的特征子集选择方法

  3. 所属分类：其它

    • 发布日期：2010-04-08
    • 文件大小：165888
    • 提供者：legend01l93

  1. 基于遗传算法和支持向量机的特征子集选择方法

  2. 基于遗传算法和支持向量机的特征子集选择方法 基于遗传算法和支持向量机的特征子集选择方法

  3. 所属分类：其它

    • 发布日期：2010-05-02
    • 文件大小：174080
    • 提供者：kwenge

  1. 一种新的特征选择方法

  2. 对于一个给定的待分类模式，特征选择要求人们从大量的特征中选取一个最优特征子集，以代表被分类的模式。对 特征选择问题提出了基于一种特殊度量的特征选择方法，先通过对数据集的训练得到特殊的度量，然后用该度量对特征进 行分类，从各类中选取一个特征，最后再用特征选择算法对所选的特征进行选择。大量实验的结果表示该方法具有较好 的效果。

  3. 所属分类：其它

    • 发布日期：2010-12-20
    • 文件大小：142336
    • 提供者：genan2017

  1. 模式识别之特征选择综述

  2. 模式识别之特征选择学习资料。特征选择是指从全部特征中选取一个特征子集，使构造出来的识别模型更好。特征选择过程一般包括：产生过程、评价函数、停止准则、验证过程这4个部分。对常见的特征搜索算法进行介绍。

  3. 所属分类：专业指导

    • 发布日期：2013-02-19
    • 文件大小：206848
    • 提供者：nefrloja

  1. 基于K-W检验的特征选择

  2. (1) 什么是特征选择 特征选择 ( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ) ，或属性选择( Attribute Selection ) ，是指从全部特征中选取一个特征子集，使构造出来的模型更好。 (2) 为什么要做特征选择 在机器学习的实际应用中，特征数量往往较多，其中可能存在不相关的特征，特征之间也可能存在相互依赖，容易导致如下的后果：  特征个数越多，分析特征、训练模型所需的时间就越长。  特征个数越

  3. 所属分类：Java

    • 发布日期：2013-11-18
    • 文件大小：194560
    • 提供者：u012879760

  1. 特征选择 前项选择

  2. 特征选择也叫特征子集选择 ( FSS , Feature Subset Selection ) 。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化。

  3. 所属分类：教育

    • 发布日期：2014-05-19
    • 文件大小：12288
    • 提供者：catherine6050

  1. 基于特征选择和SVM参数同步优化的网络入侵检测

  2. 特征选择( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS )，或属性选择( Attribute Selection )。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤。对于一个学习算法来说,好的学习样本是训练模型的关键。

  3. 所属分类：算法与数据结构

    • 发布日期：2018-06-17
    • 文件大小：59392
    • 提供者：qq_28339273

  1. 基于自适应邻域空间粗糙集模型的直觉模糊熵特征选择

  2. 特征选择是数据预处理中一项很重要的技术,主要从原始数据集的特征中选出一些最有效的特征以降低数据集的维度,从而提高学习算法性能.目前基于邻域粗糙集模型的特征选择算法中,由于没有考虑数据分布不均的问题,对象的邻域存在一定的缺陷.为了解决这个问题,采用方差来度量数据的分布情况,重新定义二元邻域空间,基于此提出自适应二元邻域空间的粗糙集模型,并将该模型与邻域直觉模糊熵结合作为特征评估的方式,进而构造相应的特征选择算法.UCI实验结果表明:所提出的算法能够选出更小且具有更高分类精度的特征子集,同时算法拥

  3. 所属分类：算法与数据结构

    • 发布日期：2018-06-17
    • 文件大小：768000
    • 提供者：qq_28339273

  1. 定轴齿轮不同故障状态的分类识别研究

  2. 本文利用定轴齿轮试验台上测的齿轮多种故障状态下的振动信号，实现对其故障模式的有效区分。同时，增加故障特征指标数量也能提高对故障的辨识能力。但是，这也会导致分类正确率降低、计算复杂度剧增和计算效率大幅下降等“维数灾难”问题。去除与故障不相关和冗余的特征指标，保留与故障类型和故障程度相关性强的特征指标，可提高故障诊断的准确率与计算效率。 首先通过多种方法，分别提取信号的时域特征和频域特征，分为时域信号的均值、方差、有效值、峰值、峰峰值、偏态指标、峭度指标、波形因数、峰值因数、脉冲因数、裕度因数，频

  3. 所属分类：其它

    • 发布日期：2018-10-11
    • 文件大小：29360128
    • 提供者：programmer0000

  1. 机器学习：如何进行特征选择？.doc

  2. 对当前学习任务有价值的属性称为是“相关特征”，没有价值的属性称为是“无关特征”，从给定的特征集中选择出相关特征子集的过程，就称为是“特征选择”。其中还有一种特征称为是“冗余特征”，这些特征指的是可以从其他特征中推演出来的特征。

  3. 所属分类：机器学习

    • 发布日期：2020-05-20
    • 文件大小：46080
    • 提供者：willfen9192

  1. 基于邻域属性重要度的齿轮箱故障特征优选方法

  2. 为有效降低齿轮箱故障特征的维数并提高诊断效率,提出了基于邻域属性重要度的齿轮箱故障特征优选方法,并结合支持向量机和BP神经网络对诊断的准确率和时间进行对比分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征。构造基于邻域模型的前向贪心数值属性约简算法进行特征优选,提取属性重要度较大的9个特征组成最优特征子集,数据压缩量达到75%,并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用基于邻域属性重要度的齿轮

  3. 所属分类：其它

    • 发布日期：2020-05-04
    • 文件大小：1048576
    • 提供者：weixin_38643141

  1. 集成特征选择方法在基因表达数据上的应用

  2. 基因表达数据的研究是生物医学上的一个重要课题。基于其高维度、小样本的特点,特征选择已经成为数据预处理阶段的关键步骤。单一特征选择方法得到的特征子集可能会有偏差,本研究在特征选择上引入集成学习的思想,构建集成特征选择模型,并将此模型应用到3个不同的基因表达数据集上。为了评价特征子集的分类预测性能,使用支持向量机作为分类器进行测试。实验结果表明:相对于单一的特征选择方法,集成特征选择能够有效提高分类模型准确度。

  3. 所属分类：其它

    • 发布日期：2020-04-24
    • 文件大小：374784
    • 提供者：weixin_38555229

  1. 多特征的核线性判别分析推荐方法_高全力(1).pdf

  2. 为提高在非线性可分数据上的推荐质量，采用基于核函数的多特征线性判别分析建立推 荐模型． 基于多维特征数据，采用非线性映射转换到高维特征空间，通过构建基于核的映射函数， 将特征映像转换为内积空间的特征子集，最终建立基于核函数的多特征线性判别分析的分类准 则，对于用户喜好的物品进行分类判别并生成推荐． 实验结果表明: 在20%、40%、60%、80% 的 数据作为训练集，其余为测试集的实验条件下，随着推荐列表长度Ｒ 的增加，推荐准确率呈现 先升后降的趋势，在25≤ Ｒ ≤35 区间内，能够

  3. 所属分类：讲义

    • 发布日期：2020-03-02
    • 文件大小：1028096
    • 提供者：SparkQiang

  1. 特征子集集合表

  2. 是基于故障诊断考虑的29个特征属性，可以用来清晰的分清楚故障的模式。

  3. 所属分类：软件测试

    • 发布日期：2013-10-21
    • 文件大小：18432
    • 提供者：duanchangdeying

  1. 一种基于统计排序的网络流量特征选择方法

  2. 利用网络流量的统计特征进行流量的分类识别需要从众多的特征中选取最优特征集合，以避免冗余和不相关特征造成的系统模型复杂度过高、分类准确率和效率下降等问题。针对该问题，提出一种基于统计排序的网络流量特征选择方法。首先利用基于统计方法定义的特征选择系数生成初始特征子集，再将基于分类准确率构建的特征影响系数作为特征评估排序的依据，对初始特征子集进行二次特征选择，生成最优特征子集。实验结果表明，该方法在保证分类整体准确率的同时有效减少了流量统计特征的个数，在分类效果、效率以及稳定性之间实现了较好的平衡。

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：388096
    • 提供者：weixin_38738830

  1. 一种基于像素差值特征的车辆检测方法

  2. 为了快速定位监控场景中的车辆位置，提出了一种基于像素差值特征的车辆检测方法。首先提取图像的归一化像素差值特征（NPD），之后使用深度二次树（DQT）学习最优的特征子集，最后使用AdaBoost算法筛选最具区分力的特征构建强分类器。以含有正面、侧面及背面三个角度超过3 500个样本为测试集进行了快速车辆检测测试，并与梯度方向直方图（HOG）和Haar的组合特征进行了对比。对比实验表明，基于NPD的车辆检测方法最优，其检测率和检测时间分别为85.47%和200 ms。

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：358400
    • 提供者：weixin_38683721

  1. 通过特征生成采样进行超高维特征选择

  2. 为了选择有关极高维问题的信息特征，本文提出了一种采样方案，以提高最近开发的特征生成机（FGM）的效率。 请注意，在FGM中，应采用时间复杂度来按特征的分数对特征进行排序。 当m非常大时，例如m> 10（11），其中m是特征维数，r是所选特征子集的大小，特征排序的整个计算成本将变得无法承受。 为了解决这个问题，在本文中，我们提出了一种特征生成采样方法，该方法可以将这种计算复杂度降低到O（G（s）log（G）+ G（G + log（G））），同时保留最多信息量的特征。在特征缓冲区中，其中Gs是

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：4194304
    • 提供者：weixin_38616359

  1. 基于扩展熵的新型非监督特征选择方法

  2. 特征选择技术旨在发现原始特征的相关特征子集，从而可以促进聚类，分类和检索。 它是模式识别和机器学习中的重要研究课题。 Feature.selection主要分为两类，即监督方法和非监督方法。 目前的研究主要集中在有监督的研究上。 由于没有可用的标签信息，因此很少有人开发过无监督的功能选择方法。 另一方面，很难评估所选功能。 提出了一种基于扩展熵的无监督特征选择方法。 基于扩展熵的信息损失用于度量特征之间的相关性。 该方法确保了所选特征既具有大的个体信息又具有很少的具有所选特征的冗余信息。 最后，

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：314368
    • 提供者：weixin_38500944

  1. 基于最小冗余特征子集的聚类集成方法

  2. 基于最小冗余特征子集的聚类集成方法

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：167936
    • 提供者：weixin_38660108
« 12 3 4 5 6 7 8 9 10 ... 15 »