基于D-S證據(jù)理論的多準(zhǔn)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(nèi)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(zhǔn)確率，有些特征甚至?xí)档头诸惵省Ｒ虼巳绾稳サ羧哂嗵卣?，選擇較優(yōu)的特征集是一個研究的重點和難點。國內(nèi)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(jù)排序結(jié)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(zhǔn)則和多準(zhǔn)則排

2、序方法（多準(zhǔn)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(zhǔn)則更適合該問題，導(dǎo)致選擇困難，因此單一排序準(zhǔn)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(shù)據(jù)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(zhǔn)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(biāo)準(zhǔn)數(shù)據(jù)特征集做測試，驗證該方法的有效性，再將該方法應(yīng)用于高速列車走行部故障數(shù)據(jù)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(zhǔn)則（即融合規(guī)則）是多準(zhǔn)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(zhǔn)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(dāng)將產(chǎn)生錯誤結(jié)果。D-S證據(jù)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(zhǔn)則特征集優(yōu)選方法(MCFR-DSEC)。該方法結(jié)合不同的單一準(zhǔn)則以提高分類準(zhǔn)確率和穩(wěn)定性，與已有的準(zhǔn)則相比，MCFR-DSEC表現(xiàn)出明顯的優(yōu)勢。但MCFR-DSEC方法的融合規(guī)則計算復(fù)雜、參數(shù)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(jié)果驗證了該方法的有效性且計算簡單。除了分類準(zhǔn)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(zhǔn)則穩(wěn)定性不好，那么當(dāng)測試數(shù)據(jù)集樣本發(fā)生微小變化時可能會得到不同的特征排序?？傊?，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(zhǔn)則，且具有很好的穩(wěn)定性。
　　最后，本文將MCFR-MURPHY方法應(yīng)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(yīng)的準(zhǔn)確率，即可得到各個特征空間的分類準(zhǔn)確率。與BordaCount和單一排序準(zhǔn)則對比，MCFR-MURPHY方法能夠更有效地判斷各個特征對