基于D-S證據理論的多準則特征集優(yōu)選方法.pdf

1、特征集優(yōu)選是模式識別中一個重要的研究內容，因為在模式識別中往往會提取到多個特征，然而并不是所有的特征都有助于提高分類準確率，有些特征甚至會降低分類率。因此如何去掉冗余特征，選擇較優(yōu)的特征集是一個研究的重點和難點。國內外研究者提出許多特征集優(yōu)選的方法，這些方法首先采用特定的特征排序方法對特征進行排序，根據排序結果選擇最優(yōu)的特征子集。因此特征排序方法的好壞直接影響選取的特征集的優(yōu)劣。特征排序方法從總體上可以分為兩大類:單一排序準則和多準則排

2、序方法（多準則是將幾個單一排序方法按照一定的組合規(guī)則融合在一起）。在沒有先驗知識的情況下，對于給定特征集，我們無法確定哪個單一排序準則更適合該問題，導致選擇困難，因此單一排序準則融合成為研究的熱點。
　　本文首先以高速列車走行部常見故障的實測數據的特征集為研究對象，提出了一種基于Fisher's ratio和模糊熵方法的多準則特征集優(yōu)選方法。該方法將Fisher's ratio和模糊熵方法“并行”融合，得到特征的綜合排序，去掉冗余

3、特征，從而得到更有效的特征集。實驗部分先對標準數據特征集做測試，驗證該方法的有效性，再將該方法應用于高速列車走行部故障數據的特征集中，得到更有效的特征子集，提高故障識別率。
　　如何融合各單一排序準則（即融合規(guī)則）是多準則特征排序方法的核心問題。給定一個特征集，使用不同的單一準則會得到不同的排序，即不同的排序之間存在沖突，若處理不當將產生錯誤結果。D-S證據理論能夠有效地處理融合過程中存在的沖突，進而解決融合悖論問題。因此基于D-

4、S理論本文提出了一種新的多準則特征集優(yōu)選方法(MCFR-DSEC)。該方法結合不同的單一準則以提高分類準確率和穩(wěn)定性，與已有的準則相比，MCFR-DSEC表現出明顯的優(yōu)勢。但MCFR-DSEC方法的融合規(guī)則計算復雜、參數較多。因此本文又選擇計算簡單、效果好的Murphy的改進D-S算法作為融合規(guī)則的新方法—MCFR-MURPHY。實驗結果驗證了該方法的有效性且計算簡單。除了分類準確率，本文還測試了特征排序方法的穩(wěn)定性，因為如果一個特征排

5、序準則穩(wěn)定性不好，那么當測試數據集樣本發(fā)生微小變化時可能會得到不同的特征排序。總之，將D-S理論作為融合規(guī)則不僅能夠有效地融合各個單一準則，且具有很好的穩(wěn)定性。
　　最后，本文將MCFR-MURPHY方法應用于高速列車走行部故障狀態(tài)識別，對特征集中的特征進行排序，每次去掉一個冗余特征，并求得相應的準確率，即可得到各個特征空間的分類準確率。與BordaCount和單一排序準則對比，MCFR-MURPHY方法能夠更有效地判斷各個特征對