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?；谔卣鞣纸M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