基于概率密度逼近的特征選擇研究.pdf

1、模式識別的主要任務(wù)就是利用樣本中的特征，將樣本劃分為相應(yīng)的模式類別。通常情況下，樣本特征中包含了足夠的類別信息，才能通過分類器實現(xiàn)正確分類。為了提高模式識別的正確識別率，人們通常需要采集數(shù)量巨大的原始特征，使得原始特征空間或輸入空間的維數(shù)可能高達(dá)兒千維或兒萬維。這樣，結(jié)果不僅使樣本特征維數(shù)增大，而且其中可能存在較大的相關(guān)性和冗余，影響最后的分類精度。這就造成所謂的維數(shù)災(zāi)難。所以為了有效地進(jìn)行模式分類和數(shù)據(jù)分析，特征降維就顯得異常重要。

2、 本論文的研究目的是為了探索新的特征選擇方法，提出一種用于特征降維的特征排序，豐富減少特祉維數(shù)的方法。文中簡要介紹了特征降維的準(zhǔn)則，回顧了當(dāng)前的主要特征降維技術(shù)。文中也對概率密度估計進(jìn)行了闡述，重點介糾了非參數(shù)法和Parzen窗口概率密度估計。本論文重點是建立了基于概率密度逼近的特征選擇準(zhǔn)則，闡述了應(yīng)用該準(zhǔn)則進(jìn)行特征排序的原理利方法。針對特征選擇這一問題，文中依據(jù)對稠密或高維數(shù)據(jù)集的加權(quán)變換，對變換前后的數(shù)據(jù)采用Parzen窗口概

3、率密度估計方法來分別估計它們的概率密度，并在一定的條件下讓兩個概率密度逼近，從而提出了一種新的基于概率密度逼近準(zhǔn)則的特征排序方法。文中對于概率密度的估計，結(jié)合了更能體現(xiàn)數(shù)據(jù)特征的Gaussian核函數(shù)Parzen窗口概率密度估計方法。論文同時針對無監(jiān)督的情況，利用更簡單的Parzen窗口概率密度估計，提供一種簡化了的針對無監(jiān)督情況的特征排序方法。論文最后采用MATLAB來編程實現(xiàn)了文中提出的算法，選取了大量數(shù)據(jù)來進(jìn)行實驗。大量的基于交叉